Global-Regularized Neighborhood Regression for Efficient Zero-Shot Texture Anomaly Detection

要約

テクスチャ表面の異常検出は、産業環境で広く応用されています。
ただし、既存の方法では、多くの場合、モデルのトレーニングのために多数のサンプルを収集する必要があります。
さらに、これらは主に、近いセットの検出フレームワーク内で動作するため、トレーニング データセットを超えて異常を特定する能力が制限されます。
これらの課題に取り組むために、この論文では、グローバル正則近傍回帰 (GRNR) と呼ばれる新しいゼロショット テクスチャ異常検出方法を紹介します。
従来のアプローチとは異なり、GRNR はトレーニング データやコストを必要とせずに、任意のテクスチャ表面上の異常を検出できます。
人間の視覚認知に基づいて、GRNR は 2 つの固有の事前サポートをテスト テクスチャ画像から直接導き出します。コヒーレントな類似性によって特徴付けられるローカル近傍事前事前サポートと、典型的な正常パターンを特徴とする大域正規事前事前サポートです。
GRNR の基本原理には、クエリ サンプルの自己再構成回帰のために、抽出された 2 つの固有サポート事前分布を利用することが含まれます。
このプロセスは、グローバル正規性サポートによって正規化されながら、ローカル近隣サポートによって促進される変換を採用し、視覚的に一貫した再構成結果を達成するだけでなく、正規性特性を維持することを目的としています。
8 つのベンチマーク データセットを使用して、さまざまな産業シナリオにわたる GRNR の有効性を検証し、トレーニング データを必要とせずに優れた検出パフォーマンスを実証します。
注目すべきことに、私たちの方法はオープンセットのテクスチャ欠陥検出に適用でき、広範なトレーニングを必要とする既存の標準的なアプローチをも超えることができます。

要約(オリジナル)

Texture surface anomaly detection finds widespread applications in industrial settings. However, existing methods often necessitate gathering numerous samples for model training. Moreover, they predominantly operate within a close-set detection framework, limiting their ability to identify anomalies beyond the training dataset. To tackle these challenges, this paper introduces a novel zero-shot texture anomaly detection method named Global-Regularized Neighborhood Regression (GRNR). Unlike conventional approaches, GRNR can detect anomalies on arbitrary textured surfaces without any training data or cost. Drawing from human visual cognition, GRNR derives two intrinsic prior supports directly from the test texture image: local neighborhood priors characterized by coherent similarities and global normality priors featuring typical normal patterns. The fundamental principle of GRNR involves utilizing the two extracted intrinsic support priors for self-reconstructive regression of the query sample. This process employs the transformation facilitated by local neighbor support while being regularized by global normality support, aiming to not only achieve visually consistent reconstruction results but also preserve normality properties. We validate the effectiveness of GRNR across various industrial scenarios using eight benchmark datasets, demonstrating its superior detection performance without the need for training data. Remarkably, our method is applicable for open-set texture defect detection and can even surpass existing vanilla approaches that require extensive training.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google