DSR — A dual subspace re-projection network for surface anomaly detection

要約

判別可能な教師なし表面異常検出の最先端技術は、異常増強トレーニング画像を合成するための外部データセットに依存しています。
このようなアプローチは、分布に近い異常では失敗する傾向があります。これらは、異常のない領域と類似しているため、現実的に合成することが難しいためです。
画像レベルの異常合成要件を回避する、デュアルデコーダ、DSR を使用した量子化された特徴空間表現に基づくアーキテクチャを提案します。
異常の視覚的特性に関する仮定を一切行わずに、DSR は、学習した量子化された特徴空間をサンプリングすることにより、特徴レベルで異常を生成します。これにより、分布に近い異常の制御された生成が可能になります。
DSR は、KSDD2 および MVTec 異常検出データセットで最先端の結果を達成します。
困難な現実世界の KSDD2 データセットでの実験では、DSR が他の教師なし表面異常検出方法よりも大幅に優れていることが示され、異常検出で 10% の AP、異常の位置特定で 35% の AP により、以前の最高のパフォーマンスの方法が改善されました。

要約(オリジナル)

The state-of-the-art in discriminative unsupervised surface anomaly detection relies on external datasets for synthesizing anomaly-augmented training images. Such approaches are prone to failure on near-in-distribution anomalies since these are difficult to be synthesized realistically due to their similarity to anomaly-free regions. We propose an architecture based on quantized feature space representation with dual decoders, DSR, that avoids the image-level anomaly synthesis requirement. Without making any assumptions about the visual properties of anomalies, DSR generates the anomalies at the feature level by sampling the learned quantized feature space, which allows a controlled generation of near-in-distribution anomalies. DSR achieves state-of-the-art results on the KSDD2 and MVTec anomaly detection datasets. The experiments on the challenging real-world KSDD2 dataset show that DSR significantly outperforms other unsupervised surface anomaly detection methods, improving the previous top-performing methods by 10% AP in anomaly detection and 35% AP in anomaly localization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google