Core Concepts
提出一种基于多特征重建的通用异常检测架构,通过交叉掩码修复来提高对异常的区分能力和抑制重建能力。
Abstract
本文提出了一种名为MFRNet的多特征重建网络,用于无监督异常检测。主要包括以下几个部分:
多尺度特征聚合器:采用预训练模型提取输入图像的多尺度特征,以获得更具区分性的层次化表示。
交叉掩码修复网络:随机遮挡提取的特征图,并采用基于Transformer的修复网络进行高质量修复。这样可以有效限制模型重建异常的能力。
混合损失:结合像素相似性和结构相似性,引导模型训练和异常估计。
实验结果表明,与现有方法相比,该方法在4个公开数据集和1个自建数据集上均表现出更出色的泛化能力和优越性能。
Stats
重建特征图与原始特征图的L2范数差异越小,说明重建质量越好。
重建特征图与原始特征图的SSIM值越大,说明结构相似性越高。
重建特征图与原始特征图的GMS值越大,说明梯度相似性越高。