MiniMaxAD: A Lightweight Autoencoder for Feature-Rich Anomaly Detection

以前的无监督异常检测（UAD）方法通常难以处理显著的类内差异；即，数据集中的一个类包含多个子类，我们将其归类为特征丰富的异常检测数据集（FRADs）。这个挑战在统一设置和无人超市场景等应用中很明显。为了解决这个挑战，我们开发了MiniMaxAD，这是一个轻量级的自编码器，旨在高效地压缩和记忆正常图像的大量信息。我们的模型采用了一种增强特征多样性的技术，从而增加了网络的有效容量限制。它还利用大卷积核来提取高度抽象的模式，这有助于有效和紧凑的特征嵌入。此外，我们引入了一种专门针对FRADs的自适应收缩损失（ADCLoss），以解决全局余弦距离损失的局限性。在我们的方法中，任何数据集都可以在特征丰富的异常检测框架下统一，这样的好处远远超过了缺点。MiniMaxAD在六个具有挑战性的UAD基准测试中进行了全面测试，在其中四个测试中取得了最先进的结果，在其余两个测试中取得了高度竞争的结果。值得注意的是，我们的模型不仅在无人超市任务中取得了最先进的性能，而且展示了比之前最佳方法快37倍的推理速度，证明了它在复杂的UAD任务中的有效性。

论文旨在解决特征丰富异常检测数据集中的类内多样性问题，提出了MiniMaxAD模型。

MiniMaxAD模型采用增强特征多样性的技术和大卷积核来提取高度抽象的模式，同时使用自适应收缩损失函数来处理特征丰富异常检测数据集中的类内多样性问题。

MiniMaxAD模型在六个异常检测基准测试中进行了全面测试，在四个测试中取得了最先进的结果，在其余两个测试中取得了高竞争的结果。MiniMaxAD模型不仅在无人超市任务中取得了最先进的性能，而且展现了比之前最佳方法快37倍的推理速度。

最近的相关研究包括：Unsupervised Anomaly Detection (UAD)方法、异常检测数据集、自适应收缩损失函数等。