CostFilter-AD: Enhancing Anomaly Detection through Matching Cost Filtering

要約

監視されていない異常検出（UAD）は、通常のサンプルに関して入力画像の異常マスクをローカライズしようとしています。
通常のカウンターパート（再構築ベース）を再構築するか、画像機能の埋め込みスペース（埋め込みベース）を学習することにより、既存のアプローチは、画像レベルまたは機能レベルのマッチングに基本的に依存して異常スコアを導き出します。
多くの場合、このようなマッチングプロセスは不正確でありながら見落とされており、最適な検出につながります。
この問題に対処するために、深さやフローの推定などの古典的なマッチングタスクからUAD問題に借用したコストフィルタリングの概念を紹介します。
このアプローチを{\ em costfilter-ad}と呼びます。
具体的には、最初に入力サンプルと通常のサンプルの間に一致するコストボリュームを構築します。これは、2つの空間寸法と、潜在的な一致をコードする1つのマッチングディメンションを含みます。
これを改良するために、複数の機能レイヤーにわたる注意クエリとして入力観察に導かれるコストボリュームフィルタリングネットワークを提案します。これにより、エッジ構造を維持し、微妙な異常をキャプチャしながら一致するノイズを効果的に抑制します。
一般的な後処理プラグインとして設計されたCostFilter-ADは、再構築ベースまたは埋め込みベースの方法と統合できます。
MVTEC-ADおよびビザベンチマークに関する広範な実験は、シングルクラスとマルチクラスの両方のUADタスクのCostFilter-ADの一般的な利点を検証します。
コードとモデルはhttps://github.com/zhe-sapi/costfilter-adでリリースされます。

要約(オリジナル)

Unsupervised anomaly detection (UAD) seeks to localize the anomaly mask of an input image with respect to normal samples. Either by reconstructing normal counterparts (reconstruction-based) or by learning an image feature embedding space (embedding-based), existing approaches fundamentally rely on image-level or feature-level matching to derive anomaly scores. Often, such a matching process is inaccurate yet overlooked, leading to sub-optimal detection. To address this issue, we introduce the concept of cost filtering, borrowed from classical matching tasks, such as depth and flow estimation, into the UAD problem. We call this approach {\em CostFilter-AD}. Specifically, we first construct a matching cost volume between the input and normal samples, comprising two spatial dimensions and one matching dimension that encodes potential matches. To refine this, we propose a cost volume filtering network, guided by the input observation as an attention query across multiple feature layers, which effectively suppresses matching noise while preserving edge structures and capturing subtle anomalies. Designed as a generic post-processing plug-in, CostFilter-AD can be integrated with either reconstruction-based or embedding-based methods. Extensive experiments on MVTec-AD and VisA benchmarks validate the generic benefits of CostFilter-AD for both single- and multi-class UAD tasks. Code and models will be released at https://github.com/ZHE-SAPI/CostFilter-AD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google