LogicAL: Towards logical anomaly synthesis for unsupervised anomaly localization

异常定位是提高工业生产线效率的实用技术。由于异常多种多样且难以收集，现有的无监督研究通常配备异常合成方法。然而，它们中的大多数都偏向于结构缺陷合成，而忽略了基础的逻辑约束。为了填补这一空白并提高异常定位性能，我们提出了一种基于边缘操作的异常合成框架，名为LogicAL，它可以产生逼真的逻辑和结构异常。我们引入了一种逻辑异常生成策略，擅长打破逻辑约束，并引入结构异常生成策略来补充结构缺陷合成。我们通过将边缘重构引入到网络结构中进一步提高了异常定位性能。在MVTecLOCO、MVTecAD、VisA和MADsim数据集上进行的广泛实验验证了LogicAL在逻辑和结构异常定位方面的优势。

本论文旨在提高工业生产线效率，解决异常检测的问题。现有的无监督异常检测方法通常采用异常合成方法，但大多数方法偏向于结构缺陷合成，忽略了潜在的逻辑约束。

本文提出了一种基于边缘操作的异常合成框架LogicAL，可以生成逼真的逻辑和结构异常。该框架包含了破坏逻辑约束的逻辑异常生成策略和补充结构缺陷合成的结构异常生成策略。此外，还通过引入边缘重构来提高异常检测性能。

本文在MVTecLOCO、MVTecAD、VisA和MADsim数据集上进行了广泛的实验，证明了LogicAL在逻辑和结构异常检测方面的优势。本文的亮点包括：逻辑异常生成策略、结构异常生成策略、边缘重构、实验设计和开源代码。

最近在这个领域中，还有一些相关的研究，如：《Deep One-Class Classification with Outlier Class Learning》、《Unsupervised Anomaly Detection via Variational Auto-Encoder for Seasonal KPIs in Web Applications》、《Anomaly Detection for Time Series Data with Deep Learning》等。