CVPR 2024 | RealNet：从数据生成到模型训练的最新工业异常检测

主要观点总结

本文主要介绍了论文提出的创新自监督异常检测框架RealNet，集成了三个核心组件：可控强度扩散异常合成（SDAS）、异常感知特征选择（AFS）和重构残差选择（RRS）。文章还介绍了RealNet在四个数据集上的实验表现和优势，以及合成工业异常数据集（SIA）的构建。

关键观点总结

关键观点1: RealNet框架的主要特点和贡献

RealNet通过自适应地选择预训练特征和重构残差，有效地利用多尺度预训练特征进行异常检测。解决了先前方法在计算成本上的限制，取得了最先进的性能。

关键观点2: 可控强度扩散异常合成（SDAS）的特点

SDAS是一种新型异常合成策略，能够生成与自然分布密切相关的逼真且多样化的异常样本，通过引入扰动项在抽样过程中生成低概率密度区域的样本，模拟各种自然异常模式。

关键观点3: 异常感知特征选择（AFS）的作用

AFS是一种自监督方法，用于减少特征的维度和消除预训练偏差，同时管理重构成本。通过选择具有最小AFS损失的预训练特征图进行重构，提高了异常检测性能。

关键观点4: 重构残差选择（RRS）的作用

RRS通过选择包含最多异常信息的重构残差子集，用于生成异常得分，实现对异常区域的最大回忆率。通过结合GMP和GAP选择重构残差，增强了RRS对不同尺度异常的捕获能力。

关键观点5: 合成工业异常数据集（SIA）的作用

SIA是为了方便SDAS生成的异常图像的重用而构建的数据集，包含了来自多种工业异常检测数据集的异常图像。SIA可以方便地用于异常合成，促进自监督异常检测方法的应用。