ToCoAD: Two-Stage Contrastive Learning for Industrial Anomaly Detection

当前的无监督异常检测方法在公共数据集上表现良好，但由于预训练特征提取器和特定目标域之间的领域差异，对于特定的异常类型往往难以胜任。为了解决这个问题，本文提出了一种名为ToCoAD的两阶段训练策略。在第一阶段，通过自监督学习的方式使用合成异常训练一个判别网络。然后在第二阶段中，利用该网络提供负特征引导，通过自举对比学习来辅助特征提取器的训练。这种方法使得模型能够逐步学习特定于工业数据集的异常分布，有效地增强了其对各种异常类型的泛化能力。大量实验被进行来证明我们提出的两阶段训练策略的有效性，我们的模型在MVTec AD、VisA和BTAD数据集上产生了有竞争力的性能，分别达到了98.21％、98.43％和97.70％的像素级AUROC分数。

本论文旨在解决当前无监督异常检测方法在针对特定异常类型时的表现不佳的问题，即预训练特征提取器与目标特定领域之间的领域差距。

本论文提出了一种名为ToCoAD的两阶段训练策略，第一阶段使用自监督学习的方法使用合成异常来训练一个判别网络。第二阶段使用这个网络提供的负面特征指导来辅助训练特征提取器，通过自举对比学习逐步学习特定于工业数据集的异常分布，从而提高模型的泛化能力。

论文在MVTec AD、VisA和BTAD三个数据集上进行了大量实验，证明了ToCoAD训练策略的有效性。模型的像素级AUROC分别达到了98.21％、98.43％和97.70％。此外，论文还开源了代码，对于异常检测领域的研究具有重要意义。

在最近的相关研究中，也有一些关于异常检测领域的研究，例如“Deep One-Class Classification”和“Learning Deep Features for One-Class Classification”。