MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection

要約

教師なし異常検出 (UAD) は多くの研究の関心を集めており、異常のないサンプルのみがトレーニングに利用できるため、広範なアプリケーションが推進されています。
一部の UAD アプリケーションは、異常情報なしで異常領域をさらに特定することを目的としています。
異常なサンプルと注釈が存在しないと UAD のパフォーマンスが低下しますが、目立たないが強力な統計モデルである正規化フローは、教師なしの方法での異常検出と位置特定に適しています。
異常のないデータのみでトレーニングされたフローベースの確率モデルは、通常のデータよりもはるかに低い尤度を割り当てることで、予測不可能な異常を効率的に区別できます。
それにもかかわらず、予測不可能な異常のサイズの変動により、高精度の異常検出と位置特定のためのフローベースの方法に別の不都合が生じます。
異常サイズの変動を一般化するために、マルチスケールの認識を交換するための非対称の並列フローとそれに続く融合フローで構成される、MSFlow と呼ばれる新しいマルチスケール フローベースのフレームワークを提案します。
さらに、画像ごとの異常検出とピクセルごとの異常位置特定には、それらの間の不一致に応じて、異なるマルチスケール集約戦略が採用されます。
提案された MSFlow は 3 つの異常検出データセットで評価され、既存の方法を大幅に上回りました。
特に、難しい MVTec AD ベンチマークにおいて、当社の MSFlow は、検出 AUORC スコアが最大 99.7%、ローカライゼーション AUCROC スコアが 98.8%、PRO スコアが 97.1% という新たな最先端を達成しています。
再現可能なコードは https://github.com/cool-xuan/msflow で入手できます。

要約(オリジナル)

Unsupervised anomaly detection (UAD) attracts a lot of research interest and drives widespread applications, where only anomaly-free samples are available for training. Some UAD applications intend to further locate the anomalous regions without any anomaly information. Although the absence of anomalous samples and annotations deteriorates the UAD performance, an inconspicuous yet powerful statistics model, the normalizing flows, is appropriate for anomaly detection and localization in an unsupervised fashion. The flow-based probabilistic models, only trained on anomaly-free data, can efficiently distinguish unpredictable anomalies by assigning them much lower likelihoods than normal data. Nevertheless, the size variation of unpredictable anomalies introduces another inconvenience to the flow-based methods for high-precision anomaly detection and localization. To generalize the anomaly size variation, we propose a novel Multi-Scale Flow-based framework dubbed MSFlow composed of asymmetrical parallel flows followed by a fusion flow to exchange multi-scale perceptions. Moreover, different multi-scale aggregation strategies are adopted for image-wise anomaly detection and pixel-wise anomaly localization according to the discrepancy between them. The proposed MSFlow is evaluated on three anomaly detection datasets, significantly outperforming existing methods. Notably, on the challenging MVTec AD benchmark, our MSFlow achieves a new state-of-the-art with a detection AUORC score of up to 99.7%, localization AUCROC score of 98.8%, and PRO score of 97.1%. The reproducible code is available at https://github.com/cool-xuan/msflow.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google