Test Time Training for Industrial Anomaly Segmentation

异常检测和分割（AD＆S）对于工业质量控制至关重要。虽然现有的方法在为每个像素生成异常分数方面表现出色，但实际应用需要生成二进制分割以识别异常。由于在许多真实场景中缺少标记的异常，标准做法是基于仅包含正常样本的验证集中的某些统计数据将这些地图二值化，导致分割性能不佳。本文通过提出测试时间训练策略来解决这个问题，以提高分割性能。实际上，在测试时间，我们可以直接从异常样本中提取丰富的特征来训练一个可以有效区分缺陷的分类器。我们的通用方法可以在任何提供异常得分图作为输出的AD＆S方法中下游工作，即使在多模态设置中也可以。我们通过对MVTec AD和MVTec 3D-AD进行广泛的实验和评估，证明了我们的方法相对于基线的有效性。

论文旨在解决工业质量控制中的异常检测和分割问题，特别是在缺乏标记异常情况下如何提高分割性能的问题。

论文提出了一种测试时训练的策略，利用异常样本提取丰富的特征来训练分类器，以有效区分缺陷，从而提高分割性能。

论文的方法适用于任何提供异常评分图作为输出的AD&S方法，甚至在多模态设置下也可行。实验表明，该方法相对于基线方法具有更好的分割性能。论文使用了MVTec AD和MVTec 3D-AD数据集进行了广泛的实验和评估。论文还提供了开源代码。

最近的相关研究包括：《Deep One-Class Classification: A Review》、《Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery》等。