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

异常合成策略可以有效增强无监督异常检测。然而，现有策略在异常合成的覆盖范围和可控性方面存在局限性，特别是对于非常类似于正常区域的弱缺陷。在本文中，我们提出了全局和局部异常联合合成策略（GLASS），这是一个新颖的统一框架，旨在在全局异常合成（GAS）的流形和超球分布约束下，在特征级别上和局部异常合成（LAS）的图像级别上合成更广泛的异常。我们的方法使用由梯度上升和截断投影引导的高斯噪声以可控的方式合成接近分布的异常。GLASS在MVTec AD（检测AUROC为99.9％）、VisA和MPDD数据集上取得了最先进的结果，并在弱缺陷检测方面表现出色。在织物缺陷检测的工业应用中进一步验证了其有效性和效率。代码和数据集可在以下网址获得：\url{https://github.com/cqylunlun/GLASS}。

GLASS论文试图解决的问题是如何在全局和局部分布约束下，以一种可控的方式合成更广泛的异常，特别是对于与正常区域非常相似的弱缺陷。

GLASS提出了一种全局和局部异常协同合成策略的统一框架，该框架在特征级别上遵循流形和超球分布约束的全局异常合成（GAS）和在图像级别上遵循局部异常合成（LAS）。

论文通过使用高斯噪声和梯度上升以及截断投影来合成接近分布的异常，实现了对弱缺陷的检测，并在MVTec AD、VisA和MPDD数据集上实现了最先进的结果。此外，论文还在工业应用中进行了验证，开源了代码和数据集。

近期在这个领域的相关研究包括：1. AnoGAN: Unsupervised Anomaly Detection with Generative Adversarial Networks；2. Deep One-Class Classification；3. Out-of-Distribution Detection using an Ensemble of Self Supervised Leave-Out Classifiers。