PAEDID: Patch Autoencoder Based Deep Image Decomposition For Pixel-level Defective Region Segmentation

要約

教師なしピクセルレベルの欠陥領域分割は、様々な産業アプリケーションのための画像ベースの異常検出において重要なタスクである。行列分解に基づく手法はノイズに強いが、複雑な背景画像のモデリング能力に欠ける。表現に基づく手法は欠陥領域の特定に優れているが、欠陥領域の形状輪郭抽出の精度に欠ける。再構成に基づく手法は欠陥領域をグランドトゥルースの欠陥領域形状輪郭とよく一致するが、ノイズが多い。両者の長所を組み合わせるために、我々は欠陥領域分割のための教師なしパッチオートエンコーダーに基づく深層画像分解法（PAEDID）を提示する。学習段階では、パッチオートエンコーダ（PAE）ネットワークにより、深層画像事前分布として共通背景を学習する。推論段階では、深い画像事前分布と領域特有の正則化を用いて、異常検出を画像分解問題として定式化する。提案手法を採用することで、画像中の欠陥領域を教師なし方式で正確に抽出することができる。我々は、シミュレーション研究と事例として産業用データセットでPAEDID手法の有効性を実証する。

要約(オリジナル)

Unsupervised pixel-level defective region segmentation is an important task in image-based anomaly detection for various industrial applications. The state-of-the-art methods have their own advantages and limitations: matrix-decomposition-based methods are robust to noise but lack complex background image modeling capability; representation-based methods are good at defective region localization but lack accuracy in defective region shape contour extraction; reconstruction-based methods detected defective region match well with the ground truth defective region shape contour but are noisy. To combine the best of both worlds, we present an unsupervised patch autoencoder based deep image decomposition (PAEDID) method for defective region segmentation. In the training stage, we learn the common background as a deep image prior by a patch autoencoder (PAE) network. In the inference stage, we formulate anomaly detection as an image decomposition problem with the deep image prior and domain-specific regularizations. By adopting the proposed approach, the defective regions in the image can be accurately extracted in an unsupervised fashion. We demonstrate the effectiveness of the PAEDID method in simulation studies and an industrial dataset in the case study.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL