RealNet: A Feature Selection Network with Realistic Synthetic Anomaly for Anomaly Detection

自监督特征重建方法已经在工业图像异常检测和定位方面取得了有希望的进展。尽管取得了这些进展，但这些方法仍然面临着合成逼真和多样的异常样本的挑战，以及解决预训练特征的冗余和预训练偏差。在本文中，我们介绍了RealNet，一种具有逼真合成异常和自适应特征选择的特征重建网络。它包含三个关键创新：首先，我们提出了可控强度扩散异常合成（SDAS），一种基于扩散过程的合成策略，能够生成具有不同异常强度的样本，模仿真实异常样本的分布。其次，我们开发了一种称为异常感知特征选择（AFS）的方法，用于选择代表性和有区分度的预训练特征子集，以提高异常检测性能，同时控制计算成本。第三，我们引入了重建残差选择（RRS）策略，该策略自适应地选择具有鉴别性的残差，以全面地识别多个粒度级别上的异常区域。我们在四个基准数据集上评估了RealNet，结果表明，在图像AUROC和像素AUROC方面，与当前最先进的方法相比，我们取得了显着的改进。代码、数据和模型可在https://github.com/cnulab/RealNet上获得。

RealNet试图解决工业图像异常检测和定位中合成真实和多样异常样本的问题，以及解决预训练特征的冗余和偏差问题。

RealNet包含三个关键创新：SDAS合成具有不同异常强度的样本、AFS选择代表性和具有区分性的预训练特征子集、RRS自适应选择具有区分性的残差来全面识别多个粒度级别的异常区域。

论文在四个基准数据集上评估了RealNet，并与当前最先进的方法进行了比较。结果表明，在图像AUROC和像素AUROC方面都取得了显著的改进。代码、数据和模型可在https://github.com/cnulab/RealNet上获得。

最近的相关研究包括：self-supervised方法在工业异常检测和定位中的应用，以及预训练特征在异常检测中的应用。