FAIR: Frequency-aware Image Restoration for Industrial Visual Anomaly Detection

要約

画像再構成ベースの異常検出モデルは、工業用外観検査で広く検討されています。
ただし、既存のモデルは通常、正常な再構成の忠実度と異常な再構成の区別性の間のトレードオフに悩まされ、パフォーマンスが損なわれます。
この論文では、正常な再構成エラーと異常な再構成エラーの間の明確な周波数バイアスを活用することで、上記のトレードオフをよりよく緩和できることを発見しました。
この目的を達成するために、我々は、高周波成分から画像を復元する新しい自己監視型画像復元タスクである周波数認識画像復元 (FAIR) を提案します。
これにより、異常への好ましくない一般化を軽減しながら、正常なパターンの正確な再構築が可能になります。
FAIR は、単純なバニラ UNet のみを使用して、さまざまな欠陥検出データセットに対してより高い効率で最先端のパフォーマンスを実現します。
コード: https://github.com/liutongkun/FAIR。

要約(オリジナル)

Image reconstruction-based anomaly detection models are widely explored in industrial visual inspection. However, existing models usually suffer from the trade-off between normal reconstruction fidelity and abnormal reconstruction distinguishability, which damages the performance. In this paper, we find that the above trade-off can be better mitigated by leveraging the distinct frequency biases between normal and abnormal reconstruction errors. To this end, we propose Frequency-aware Image Restoration (FAIR), a novel self-supervised image restoration task that restores images from their high-frequency components. It enables precise reconstruction of normal patterns while mitigating unfavorable generalization to anomalies. Using only a simple vanilla UNet, FAIR achieves state-of-the-art performance with higher efficiency on various defect detection datasets. Code: https://github.com/liutongkun/FAIR.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google