Global-Regularized Neighborhood Regression for Efficient Zero-Shot Texture Anomaly Detection

纹理表面异常检测在工业领域有广泛的应用。然而，现有的方法通常需要收集大量样本进行模型训练。此外，它们主要在闭集检测框架内运行，限制了它们识别超出训练数据集的异常的能力。为了解决这些挑战，本文介绍了一种新的零样本纹理异常检测方法，名为全局正则化邻域回归（GRNR）。与传统方法不同，GRNR 可以在任意纹理表面上检测异常，而无需任何训练数据或成本。GRNR从人类视觉认知中汲取灵感，直接从测试纹理图像中推导出两个内在的先验支持：局部邻域先验和全局正常性先验。GRNR的基本原理涉及利用这两个提取的内在支持先验对查询样本进行自重构回归。该过程利用局部邻域支持所促成的转换，同时受到全局正常性支持的规则化，旨在实现视觉上一致的重构结果，同时保持正常性属性。我们使用八个基准数据集验证了GRNR在各种工业场景中的有效性，证明了它在不需要训练数据的情况下具有优越的检测性能。值得注意的是，我们的方法适用于开放式纹理缺陷检测，甚至可以超越需要大量训练的现有基准方法。

解决问题：本文提出一种名为GRNR的零样本纹理异常检测方法，旨在解决传统方法需要大量样本进行模型训练，且主要运行在封闭集检测框架内的限制。

关键思路：GRNR从测试纹理图像中直接提取两个内在先验支持：局部邻域先验和全局正常先验，并利用这两个支持先验进行自重建回归，从而实现零样本的纹理异常检测。

其他亮点：GRNR适用于开放集纹理缺陷检测，并且不需要训练数据，实验结果表明其具有优越的检测性能。论文使用了8个基准数据集进行验证，并且可超越需要大量训练的现有方法。

相关研究：最近的相关研究包括：Zero-Shot Learning for Texture Classification: A Comparative Study、Open-Set Texture Defect Detection Using GANs、Zero-Shot Learning - A Comprehensive Evaluation of the Good, the Bad and the Ugly等。