ALMRR: Anomaly Localization Mamba on Industrial Textured Surface with Feature Reconstruction and Refinement

本文针对工业纹理图像的无监督异常定位问题，提出了一种基于Mamba的特征重建和细化的异常定位方法（ALMRR）。现有的基于图像重建和特征重建的方法各自存在缺陷。基于图像的方法往往重建正常和异常区域，导致过度泛化；基于特征的方法包含大量可区分的语义信息，但其特征结构冗余且缺乏异常信息，导致重建误差显著。本文提出的方法通过Mamba重建语义特征，然后通过特征细化模块进行细化。为了使模型具有异常的先验知识，我们通过在原始图像中添加人工模拟的异常来增强它。与图像重建或修复不同，合成缺陷的特征将随着正常区域的特征一起修复。最后，将包含丰富语义信息的对齐特征输入细化模块以获取异常地图。在MVTec-AD-Textured数据集和其他真实工业数据集上进行了广泛的实验，结果表明相比最先进的方法，本文提出的方法具有更优异的性能。

本论文旨在解决工业纹理图像中异常定位的问题，现有的基于图像重建和特征重建的方法各自存在缺陷，需要提出一种新的方法。

本文提出了一种基于Mamba的特征重建和细化的异常定位方法（ALMRR），通过添加人工合成的异常来增强模型的先验知识，利用Mamba重建语义特征，并通过特征细化模块来优化这些特征，最终生成异常图。

本文的实验使用了MVTec-AD-Textured数据集和其他真实工业数据集，证明了ALMRR方法相对于现有方法具有更好的性能。值得关注的是，本文使用了人工合成的异常来增强模型的先验知识，并且通过特征重建和细化来优化特征，这两个方面都是本文的创新点。

近期在该领域的相关研究包括：'Unsupervised Anomaly Detection on Industrial Data: A Survey'，'Deep One-Class Classification: A Review'等。