A Unified Anomaly Synthesis Strategy with Gradient Ascent for Industrial Anomaly Detection and Localization

要約

異常合成戦略は、教師なし異常検出を効果的に強化できます。
ただし、既存の戦略では、特に正常な領域に非常によく似た弱い欠陥の場合、異常合成の範囲と制御性に限界があります。
この論文では、特徴レベルおよびローカルでのグローバル異常合成 (GAS) の多様体および超球分布制約の下で、より広範囲の異常を合成するように設計された新しい統合フレームワークであるグローバルおよびローカル異常共合成戦略 (GLASS) を提案します。
画像レベルの異常合成 (LAS)。
私たちの方法は、勾配上昇と切頭投影によって誘導されるガウス ノイズを使用して、制御可能な方法で分布内付近の異常を合成します。
GLASS は、MVTec AD (検出 AUROC 99.9\%)、VisA、および MPDD データセットで最先端の結果を達成し、弱い欠陥の検出に優れています。
その有効性と効率は、織物の欠陥検出のための産業用途でさらに検証されています。
コードとデータセットは \url{https://github.com/cqylunlun/GLASS} から入手できます。

要約(オリジナル)

Anomaly synthesis strategies can effectively enhance unsupervised anomaly detection. However, existing strategies have limitations in the coverage and controllability of anomaly synthesis, particularly for weak defects that are very similar to normal regions. In this paper, we propose Global and Local Anomaly co-Synthesis Strategy (GLASS), a novel unified framework designed to synthesize a broader coverage of anomalies under the manifold and hypersphere distribution constraints of Global Anomaly Synthesis (GAS) at the feature level and Local Anomaly Synthesis (LAS) at the image level. Our method synthesizes near-in-distribution anomalies in a controllable way using Gaussian noise guided by gradient ascent and truncated projection. GLASS achieves state-of-the-art results on the MVTec AD (detection AUROC of 99.9\%), VisA, and MPDD datasets and excels in weak defect detection. The effectiveness and efficiency have been further validated in industrial applications for woven fabric defect detection. The code and dataset are available at: \url{https://github.com/cqylunlun/GLASS}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google