Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark

异常检测（AD）通常集中于检测工业质量检查和医学病变检查的异常区域。然而，由于特定场景的目标，与经典视觉任务（例如目标检测和语义分割）相比，AD的数据规模相对较小，评估指标仍然不足。为了填补这些差距，本文首先通过将COCO扩展到AD领域，构建了一个大规模且通用的COCO-AD数据集。这使得在这个具有挑战性的基准测试上，不同方法可以进行公平的评估和可持续的发展。此外，当前的指标（如AU-ROC）在简单的数据集上已经接近饱和，这阻碍了对不同方法的全面评估。受分割领域指标的启发，我们进一步提出了几个更实用的阈值相关的AD指标，即m$F_1$$^{.2}_{.8}$、mAcc$^{.2}_{.8}$、mIoU$^{.2}_{.8}$和mIoU-max。在GAN反演的高质量重建能力的启发下，我们提出了一个简单但更强大的InvAD框架，以实现高质量的特征重建。我们的方法提高了在流行的MVTec AD、VisA和我们新提出的COCO-AD数据集上基于重建的方法在多类无监督设置下的有效性，其中只训练一个检测模型来检测不同类别的异常。大量的消融实验已经证明了我们InvAD每个组件的有效性。完整的代码和模型可在https://github.com/zhangzjn/ader上获得。

本论文试图解决工业质量检测和医学病变检查等领域中的异常检测问题，同时针对数据规模较小、评估指标不足的问题，构建了一个大规模且通用的COCO-AD数据集，以便在这个具有挑战性的基准上进行公平评估和可持续发展。

论文提出了一种基于GAN逆向的简单而强大的InvAD框架，旨在实现高质量的特征重建。该方法在多类无监督环境下提高了基于重建的方法在流行的MVTec AD、VisA和新提出的COCO-AD数据集上的有效性，其中仅训练了一个检测模型来检测不同类别的异常。

论文在扩展COCO到AD领域的基础上，构建了一个大规模且通用的COCO-AD数据集，提出了几个实用的阈值依赖型AD特定指标，包括m$F_1$$^{.2}_{.8}$、mAcc$^{.2}_{.8}$、mIoU$^{.2}_{.8}$和mIoU-max。论文还提供了完整的代码和模型，并进行了广泛的消融实验。

近期的相关研究包括：1.《Uninformed Students: Student-Teacher Anomaly Detection with Discriminative Latent Embeddings》；2.《Deep One-Class Classification with Output Space Regularization》；3.《Deep Autoencoding Gaussian Mixture Model for Unsupervised Anomaly Detection》。