arXiv:2404.13273

Multi-feature Reconstruction Network using Crossed-mask Restoration for Unsupervised Industrial Anomaly Detection

Junpu Wang, Guili Xu, Chunlei Li, Guangshuai Gao, Yuehua Cheng, Bing Lu

제출 2024-04-20

원문 초록

Unsupervised anomaly detection using only normal samples is of great significance for quality inspection in industrial manufacturing. Although existing reconstruction-based methods have achieved promising results, they still face two problems: poor distinguishable information in image reconstruction and well abnormal regeneration caused by model under-regularization. To overcome the above issues, we convert the image reconstruction into a combination of parallel feature restorations and propose a multi-feature reconstruction network, MFRNet, using crossed-mask restoration in this paper. Specifically, a multi-scale feature aggregator is first developed to generate more discriminative hierarchical representations of the input images from a pre-trained model. Subsequently, a crossed-mask generator is adopted to randomly cover the extracted feature map, followed by a restoration network based on the transformer structure for high-quality repair of the missing regions. Finally, a hybrid loss is equipped to guide model training and anomaly estimation, which gives consideration to both the pixel and structural similarity. Extensive experiments show that our method is highly competitive with or significantly outperforms other state-of-the-arts on four public available datasets and one self-made dataset.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.23658v1cs.CV공통 태그 Image Reconstruction, Anomaly Detection

XMatchAD: 재구성 기반 이상 탐지를 위한 교차-모달 매칭 관점

XMatchAD: A Cross-Modal Matching Perspective on Reconstruction-based Anomaly Detection

재구성 기반 방법이 비지도 이상 탐지(UAD)에서 뛰어난 성공을 거둔 이유는, 입력 이미지와 재구성된 대응 이미지 간의 불일치를 모델링하여 이상을 식별하고 국소화할 수 있기 때문이다. 그러나 이러한 접근법은 미세한 이상을 포착하는 데 종종 어려움을 겪으며, 흐릿한 이상 경계를 생성하는 경향이 있어, 특히 복잡한 다중 클래스 시나리오에서 효과를 크게 제한한다. 이러한 문제를 해결하기 위해, 우리는 의사(pseudo) 교차-모달 매칭 관점에서 작업을 재해석하는 새로운 UAD 프레임워크인 XMatchAD를 제안한다. 구체적으로, 입력 이미지와 재구성 이미지를 두 개의 상보적 모달리티로 취급하고, 이들의 매칭 관계를 이상 탐지를 위해 정밀하게 활용한다. 첫째, 사전학습된 특징 추출기를 사용하여 판별적 표현을 인코딩한다. 둘째, 어텐션 기반 교차-모달 매칭 메커니즘을 도입하여, 특징을 상호 정제하면서 국소적 모달 간 이상 관련 패턴을 매칭한다. 이는 다양한 형태와 미세한 편차를 가진 이상에 대한 민감도를 높이고, 이상 탐지 및 국소화의 정밀도를 크게 향상시킨다. 셋째, 교차-모달 다중 스케일 표현의 고주파 성분 결합을 통해 선명한 이상 경계를 더욱 명확히 구분하는 적응형 주파수 인식 융합 모듈을 설계한다. MVTec-AD, VisA, MPDD 벤치마크에 대한 포괄적 평가를 통해, 우리 방법이 일관되게 우수한 성능을 달성하며 다중 클래스 이상 탐지 및 국소화에서 최신(state-of-the-art) 방법들을 능가함을 보여준다. 코드는 https://github.com/Mingxiu-Cai/XMatchAD 에서 공개될 예정이다.

arXiv:2607.14534v1cs.CV공통 태그 Image Reconstruction, Anomaly Detection

SwinAD: 비지도 산업 이상 탐지를 위한 다단계 특징 재구성

SwinAD: Multi-stage feature reconstruction for unsupervised industrial anomaly detection

산업 이상 탐지는 가능한 모든 결함 유형에 대한 포괄적인 주석에 의존하지 않고 결함 영역을 식별하고 위치를 특정하는 것을 목표로 한다. 최근 비지도 방법들이 우수한 성능을 달성했지만, 대부분은 주로 단일 클래스 설정을 위해 설계되었으며, 다양한 정상 패턴이 과도한 일반화를 초래하고 정상 영역과 이상 영역 간의 변별력을 감소시킬 수 있는 다중 클래스 시나리오에서는 종종 어려움을 겪는다. 본 논문에서는 동결된 사전학습 Swin Transformer V2 인코더와 특징 다양성 보존 재구성 디코더를 활용하는 다중 클래스 비지도 이상 탐지를 위한 재구성 기반 프레임워크인 SwinAD를 제안한다. 계층적 인코더는 의미적으로 풍부한 다중 스케일 특징을 제공하며, 드롭아웃이 포함된 단계별 병목 모듈은 사소한 항등 매핑을 방지하고 정상 패턴의 견고한 재구성을 장려한다. 위치 특정을 더욱 개선하기 위해, 단일 디코딩 분기에 의존하는 대신 상보적인 재구성 가설을 유지하는 특징 다양성 보존 재구성 프레임워크를 도입한다. 그런 다음 인코더 특징과 두 개의 재구성된 특징 간의 불일치를 여러 스케일에 걸쳐 집계하여 최종 이상 맵을 생성한다. MVTec AD, VisA, Real-IAD를 포함한 세 가지 산업 이상 탐지 벤치마크에서 수행된 실험은 SwinAD가 경쟁력 있는 이미지 수준 성능과 강한 픽셀 수준 위치 특정 정확도를 달성하며, 특히 MVTec AD에서 픽셀 수준 AP와 F1에서 눈에 띄게 향상되었음을 보여준다. 이러한 결과는 계층적 Swin 특징과 다양한 다중 스케일 재구성을 결합하는 것이 다중 클래스 비지도 이상 설정에서 픽셀 수준 위치 특정을 상당히 향상시킴을 나타낸다.

arXiv:2607.12866v1cs.CV공통 태그 Image Reconstruction, Anomaly Detection

이미지 이상 탐지를 위한 통계적 비선형 재구성 손실

Statistical Non-linear Reconstruction Loss for Image Anomaly Detection

재구성 기반 방법은 비지도 이미지 이상 탐지의 핵심축이지만, 표준 평균 제곱 오차(mean squared error, MSE) 손실이 모델을 이상 패턴까지 충실하게 재구성하도록 유도하는 이상치 누출(outlier leakage)에 취약하다. 본 연구는 시그모이드 기반 squashing 함수를 적용해 고크기 특징을 억제하는 비선형 재구성 손실(Non-linear Reconstruction Loss)을 제안한다. 이를 통해 이상치가 최적화를 지배하는 것을 방지하면서 정상 패턴에 대한 민감도는 유지한다. 또한 정상 특징 분포의 신뢰 구간(confidence interval, CI)에서 스케일링 인자 $k$를 선택하는 통계적 보정(calibration) 방식을 도입하여, 억제 강도를 데이터 기반으로 제어할 수 있게 한다. 본 접근법은 최첨단 방법 대비 경쟁력 있거나 우수한 이상 탐지 성능을 달성하며, MVTec-AD에서 Image-AUROC 99.0%, Pixel-AUROC 97.3%, VisA에서 Image-AUROC 95.3%, Pixel-AUROC 99.0%를 기록한다. 이 결과는 비선형 그래디언트 억제가 이상치 누출을 완화하고 통합 산업 검사 설정에서 이상 국소화(anomaly localization)를 개선하는 효과적인 메커니즘임을 보여준다. 구현은 https://github.com/mintii13/Statistical-Non-linear-Reconstruction-Loss.git 에서 확인할 수 있다.

arXiv:2607.11170v1cs.CV공통 태그 Image Reconstruction, Anomaly Detection

TC-MAF: 멀티모달 산업 이상 탐지를 위한 학습 보정 기반 경계 다중 증거 융합

TC-MAF: Train-Calibrated Bounded Multi-Evidence Fusion for Multimodal Industrial Anomaly Detection

멀티모달 이상 탐지(anomaly detection)는 상호 보완적인 RGB 및 3D 증거로부터 이점을 얻으나, 보조 RGB 재구성은 제품 카테고리에 걸쳐 동등하게 신뢰할 수 없으며 클래스별 테스트 시간 정책 선택도 일반적으로 사용 불가능하다. 우리는 멀티모달 탐지기, 보완적인 Dinomaly 증거, 소규모 크로스 모달 일관성 단서를 하나의 고정된 픽셀 수준 융합 공식 아래 결합하는 기반 앵커 다중 증거 융합 설계인 TC-MAF를 제안한다. 경량 학습 분산 신뢰도(TDC) 항은 정상 학습 통계만을 사용하여 보조 참여를 조정한다. MVTec-3D에서 TC-MAF는 이미지 수준 AUROC 0.979, 픽셀 수준 AUPRO 0.990을 달성하여 비교된 멀티모달 방법들 중 탐지 및 위치 추정 모두에서 최고의 평균 결과를 기록한다. 체계적인 절제 연구(ablation)는 융합 구조 자체가 지배적인 요소임을 보여주며, TDC는 보정 없음 또는 임의 보정 대비 더 작지만 재현 가능한 보정 이득을 제공한다. 추가 실험에서 동일한 설계가 통합 통계 변형, 보조 분기 및 백본 대체, 퓨샷(few-shot) 설정, 3D 누락 설정, Eyecandies 교차 데이터셋 평가에서도 효과적임을 보여준다. 코드는 https://anonymous.4open.science/r/TC_MAF-C3BB에서 이용 가능하다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.