Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection

要約

最近の教師なし異常検出手法は、補助データセットで事前トレーニングされた特徴抽出器、または巧妙に作成された異常をシミュレートしたサンプルに依存することがよくあります。
ただし、補助データセットの選択や異常シミュレーションの戦略の事前設定により、増加する一連の異常検出タスクへの適応性が制限される可能性があります。
この課題に取り組むために、私たちはまず事前なしの異常生成パラダイムを導入し、続いてこのパラダイムに基づいた GRAD という革新的な教師なし異常検出フレームワークを開発しました。
GRAD は 3 つの重要なコンポーネントで構成されます: (1) 通常の画像に存在する全体的な構造を無視しながら局所的な構造を保存することによってコントラスト パターンを生成する拡散モデル (PatchDiff)、(2) 長時間の画像の課題に対処するための自己監視型再重み付けメカニズム
PatchDiff によって生成される尾付きのラベルなしのコントラスト パターン、(3) 通常のパターンと再重み付けされたコントラスト パターンを効率的に区別するための軽量のパッチレベル検出器。
PatchDiff の生成結果は、さまざまな種類の異常パターンを効果的に明らかにします。
構造的および論理的な異常パターン。
さらに、MVTec AD と MVTec LOCO データセットの両方に対する広範な実験も前述の観察を裏付けており、GRAD が競合する異常検出精度と優れた推論速度を達成していることを実証しています。

要約(オリジナル)

Recent unsupervised anomaly detection methods often rely on feature extractors pretrained with auxiliary datasets or on well-crafted anomaly-simulated samples. However, this might limit their adaptability to an increasing set of anomaly detection tasks due to the priors in the selection of auxiliary datasets or the strategy of anomaly simulation. To tackle this challenge, we first introduce a prior-less anomaly generation paradigm and subsequently develop an innovative unsupervised anomaly detection framework named GRAD, grounded in this paradigm. GRAD comprises three essential components: (1) a diffusion model (PatchDiff) to generate contrastive patterns by preserving the local structures while disregarding the global structures present in normal images, (2) a self-supervised reweighting mechanism to handle the challenge of long-tailed and unlabeled contrastive patterns generated by PatchDiff, and (3) a lightweight patch-level detector to efficiently distinguish the normal patterns and reweighted contrastive patterns. The generation results of PatchDiff effectively expose various types of anomaly patterns, e.g. structural and logical anomaly patterns. In addition, extensive experiments on both MVTec AD and MVTec LOCO datasets also support the aforementioned observation and demonstrate that GRAD achieves competitive anomaly detection accuracy and superior inference speed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google