GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features

在异常检测领域，方法通常在高级语义或低级工业基准中表现出色，很少达到跨领域的熟练水平。语义异常是指与训练集中的含义不同的新颖性，例如自动驾驶汽车中未见过的物体。相反，工业异常是指保留语义含义的微小缺陷，例如飞机部件上的裂纹。在本文中，我们提出了GeneralAD，这是一个异常检测框架，旨在在语义、接近分布和工业环境中进行操作，且最小化每个任务的调整。在我们的方法中，我们利用了Vision Transformers的固有设计，这些设计是在图像块上进行训练的，从而确保最后的隐藏状态保留了基于块的结构。我们提出了一种新颖的自监督异常生成模块，该模块采用简单的操作，如添加噪声和洗牌来构造伪异常样本的块特征。这些特征被送入基于注意力的鉴别器，该鉴别器被训练来评分图像中的每个块。因此，我们的方法可以准确地识别图像级别的异常，并生成可解释的异常图。我们在十个数据集上进行了广泛的评估，在六个数据集上取得了最先进的结果，在其余数据集上取得了相当的表现，同时实现了定位和检测任务。

解决问题：本论文旨在设计一种通用的异常检测框架，能够在高级语义、近分布和工业环境下进行操作，同时最小化每个任务的调整。

关键思路：本文的关键思路是利用Vision Transformers的内在设计，这些模型是在图像补丁上训练的，从而确保最后的隐藏状态保留了基于补丁的结构。作者提出了一种新颖的自监督异常生成模块，利用噪声添加和洗牌等简单操作来构建伪异常样本。这些特征被输入到基于注意力的鉴别器中，该鉴别器被训练为对图像中的每个补丁进行评分。

其他亮点：本文在十个数据集上进行了广泛的评估，在六个数据集上取得了最先进的结果，在其余数据集上取得了相当的性能。作者的方法不仅能够准确地识别图像级别的异常，还能生成可解释的异常图。作者还开源了实现代码。

相关研究：最近在这个领域中，还有一些相关的研究，例如：'Deep One-Class Classification'，'Unsupervised Anomaly Detection via Variational Auto-Encoder for Seasonal KPIs in Web Applications'，'Deep Autoencoding Gaussian Mixture Model for Unsupervised Anomaly Detection'等。