基于判别训练的重构异常嵌入模型：DRÆM在表面异常检测中的应用

8330DRÆMVitjanZa vrtanik MatejKristan DanijelSk ocˇ aj卢布尔雅那大学计算机与信息科学学院{vitjan.zavrtanik，matej.kristan，danijel.skocaj}@ fri.uni-lj.si摘要视觉表面异常检测旨在检测明显偏离正常外观的局部图像区域。最近的表面异常检测方法依赖于生成模型来准确地重建正常区域并且在异常上失败。这些方法仅在无异常图像上训练，并且通常需要手工制作的后处理步骤来定位异常，这阻碍了优化特征提取以获得最大检测能力。除了重构方法之外，我们还将表面异常检测主要视为判别问题，并提出了一种判别训练的重构异常嵌入模型（DRÆM）。所提出的方法学习的异常图像和其异常的无重构的联合表示，而同时学习正常和异常的例子之间的决策界。该方法使得能够直接异常定位，而不需要对网络输出进行额外的复杂后处理，并且可以使用简单和一般的异常模拟来训练 。 在 具 有 挑 战 性 的 MVTec 异 常 检 测 数 据 集 上 ，DRCARM在很大程度上优于当前最先进的无监督方法，甚至在广泛使用的DAGM表面缺陷检测数据集上提供接近全监督方法的检测性能，同时在定位精度方面大大优于它们代码在github.com/VitjanZ/DRAEM。1. 介绍表面异常检测解决了偏离正常外观的图像区域的定位（图1）。密切相关的一般异常检测问题将异常视为与非异常训练集图像显著不同的整个图像。相反，在表面异常检测问题中，异常仅占据图像像素的一小部分这是一个特殊的-图1. DRÆM仅通过在无异常图像上自动生成的合成异常（左）上进行训练来估计正常和异常像素结果（MO）与地面实况（GT）紧密匹配。这是一项非常具有挑战性的任务，在质量控制和表面缺陷定位应用中很常见。在实践中，异常外观可能显著变化，并且在像质量控制的应用中，存在异常的图像这导致高度不平衡的训练集，通常只包含无异常的图像。因此，最近已经在设计鲁棒表面异常检测方法方面投入了大量精力，这些方法优选地需要来自手动注释的最小监督。重建方法，如自动编码器[5，1，2，26]和GAN [24，23]已经被广泛探索，因为它们能够仅使用无异常图像来学习强大的重建子空间依赖于异常区域的不良重建能力，在训练中未观察到，然后可以通过对输入图像与其重建图像之间的差异进行Mo8331图2.自动编码器过度泛化到异常，而判别方法过度拟合到合成异常并且不泛化到真实数据。我们的方法联合判别式学习的重建子空间和超平面的联合原始和重建的空间，使用模拟异常，并导致更好地推广到真正的异常。建设然而，确定与正常外观没有实质性差异的异常的存在仍然具有挑战性，因为这些异常通常被很好地重建，如图2左上所示。因此，最近的改进考虑了从通用网络和专用于无异常图像的网络提取的深度特征之间的差异[4]。辨别也可以被公式化为来自深子空间内的非异常纹理的密集聚类的偏差[22，7]，因为形成这样的紧凑子空间防止异常被映射到接近无异常的样本。生成方法的共同缺点是它们仅从无异常的数据学习模型，并且没有明确地针对判别性异常检测进行优化，因为正例（即，异常）在训练时不可用。合成异常可以被认为是训练区分性分割方法[8，21]，但这导致对合成外观的过度拟合，并导致学习到的决策边界对真实异常的泛化能力很差（图2，右上）。我们假设，过度拟合可以通过在关节上训练判别模型来大幅减少，重建和原始外观以及重建子空间。这样模型就不会过拟合到在一个实施例中，异常外观可以是合成外观，而是学习原始异常外观和重建异常外观之间的局部外观调节的距离函数，其在真实异常的范围内很好地推广（参见图2，底部）。为了验证我们的假设，我们提出了一种新的深地表异常检测网络，作为我们的主要贡献，该网络以端到端的方式对合成生成的刚出分布模式进行区别性训练，该模式不必忠实地表示目标域异常。该网络由重建子网络组成，随后是判别子网络（图3）。重建子网络经过训练以学习无异常重建，而判别子网络在原始图像和重建图像的联合出现上学习判别模型，从而产生高保真度的每像素异常检测图（图1）。与学习代理生成任务的相关方法相比，所提出的模型是有区别地训练的，但不需要合成异常出现在测试时与异常紧密匹配，并且比最近更复杂的最先进的方法表现更好。2. 相关工作许多表面异常检测方法集中于图像重建并且基于图像重建误差来检测异常[1，2，5，24，23，26，31]。自动编码器通常用于图像重建[5]。 在[1]中， 2，26]利用对抗性损失来训练自动编码器。然后，图像的异常分数基于图像重建质量，或者在逆向训练的自动编码器的情况下，基于鉴别器输出。在[24，23]中，GAN [13]被训练以生成适合训练分布的图像。在[23]中，另外训练了编码器网络，该编码器网络找到输入图像的潜在表示，该潜在表示在用作预训练生成器的输入时使重建损失最小化异常分数然后基于重建质量和鉴别器输出。在[29]中，训练插值自动编码器以学习分布样本的密集表示空间。然后，异常分数基于判别器，该判别器被训练以估计输入-输入和输入-输出联合分布之间的距离，然而，当判别器评估重建质量时，表面异常检测的方法保持生成。代替常用的图像空间重建，预训练网络特征的重建也可以用于表面异常检测[4，25]。基于预训练网络的特征将不会被仅在无异常图像上训练的另一网络忠实地重构的假设来检测异常。替代地，[20，11]提出表面异常检测，作为识别与高斯拟合的显著偏差8332预训练网络的无异常特征。这需要无异常视觉特征的单峰分布，这在不同的数据集上是有问题的。[16]提出一类变分自动编码器，基于梯度的张力图作为输出异常图。然而，该方法对接近正态样本分布的细微异常敏感。最近，基于块的一类分类方法已被考虑用于表面异常检测[30]。这些都是基于一类方法[22，7]，试图估计无异常数据周围的决策边界在地表异常数据中，这一假设经常被违反。3. 德拉姆所提出的鉴别联合重建-异常嵌入方法（DRÆM）由重建子网络和鉴别子网络组成（参见图3）。重建子网络被训练为隐式地检测和重建具有语义上合理的无异常内容的异常，同时保持输入图像的非异常区域不变。同时，判别子网络学习联合重建-异常嵌入，并从级联的重建外观和原始外观产生准确的异常分割图。异常训练示例是通过在无异常图像上模拟异常的概念上简单的过程创建的。该异常生成方法提供了任意数量的异常样本以及像素完美的异常分割图，其可以用于在没有真实异常样本的情况下训练所提出的方法。3.1. 重构子网络重构子网络被公式化为编码器-解码器架构，其将输入图像的局部训练网络以从由模拟器获得的人工损坏的版本Ia重建原始图像I（参见第3.3节）。在基于异常的重建中经常使用l2检测方法[1，2]，然而，这假设相邻像素之间的独立性，因此额外使用基于补丁的SSIM [27]损失，如[5，31]中所述：I r，以图像坐标（i，j）为中心。因此，重建损失为Lrec（I，Ir）=λL SSIM（I，Ir）+12（I，Ir），（2）其中λ是损耗平衡超参数。注意，从下游判别网络（第3.2节）获取附加训练信号，其通过检测重构差异来执行异常定位。3.2. 判别子网络判别子网络使用类似U-Net [21]的架构。子网络输入Ic被定义为重构子网络输出Ir和输入图像I的逐通道级联。由于重建子网络的正常恢复属性，I和Ir的联合外观在异常图像中显著不同，提供了异常分割所需的信息在基于重建的异常检测方法中，使用相似性函数（例如SSIM [27]）获得异常图，以将原始图像与其重建图像进行比较，但是难以手工制作表面异常检测特定的相似性度量。相比之下，判别子网络自动学习适当的距离度量。网络输出与I相同大小的异常分数图M。焦点损失[14]（Lseg）应用于判别子网络输出，以增加对硬示例的准确分割的鲁棒性考虑到两个子网络的分割和重构目标，训练DRÆM时使用的总损失为L（I，Ir，Ma，M）=Lrec（I，Ir）+Lseg（Ma，M），（3）其中Ma和M分别是地面实况和输出异常分割掩码3.3. 模拟异常生成DRÆM不需要模拟来真实地反映目标域中的真实异常外观，而是生成刚好超出分布的外观，这允许学习适当的距离函数以通过其与正态的偏差来识别异常所提出的异常模拟器遵循这种范式。噪声图像由Perlin噪声生成器生成L（I，I）=1SSIM rNΣHΣW1 −SSIM.我我Σ（i，j），（1）tor [18]捕获各种异常形状（图4，P），并通过在范围内均匀采样的阈值进行二值化pi=1j =1其中H和W分别是图像I的高度和宽度。Np等于像素的数量，I. Ir是由网络输出的重建图像。SSIM（I，I，r）（i，j）是I和I的补片的SSIM值。dom（图4，Ma）到异常图Ma中。异常纹理源图像A是从与输入图像分布无关的异常源图像数据集采样的（图4，A）。随机增强采样，灵感来自RandAugment[10]，然后由一组8333重构子网络判别子网络异常生成图3.所提出的方法的异常检测过程。首先，通过使用L_rec训练的重建子网络隐式地检测和修复异常区域。重建子网络的输出和输入图像然后被连接并馈送到判别子网络中。使用Focal lossLfocal [14]训练的分割网络定位异常区域并产生异常图。从异常分数图获取图像级异常分数η。从集合中采样的3个随机增强函数：{色调分离、锐度、日晒、均衡、亮度改变、颜色改变、自动对比度}。增强纹理图像A被异常图Ma和Mb掩蔽与I混合以创建刚好在分布之外的异常，从而有助于收紧训练网络中的决策边界。因此，增强训练图像Ia被定义为：Ia=Ma<$I+（1−β）（Ma<$I）+β（Ma<$A），（4）其中Ma是Ma的逆，⊙是逐元素乘法运算，β是混合中的不透明度参数。此参数从一个输入中均匀采样。Terval，即，β∈[0. 一，一。0]。随机混合和增强提供从小到单个纹理生成不同的异常图像（参见图5）。上述模拟器因此生成包含原始无异常图像I、包含模拟异常Ia的增强图像和像素完美异常掩模Ma的训练样本三元组。3.4. 地表异常定位与检测判别子网络的输出是像素级异常检测掩模M_0，其可以针对图像级异常分数估计以直接的方式进行解释，即，图像中是否存在异常首先，通过均值滤波卷积层对Mo通过取平滑的异常分数图的最大值来计算最终图像级异常分数η是个一AMAM是个是个图4.模拟异常生成过程。二进制异常掩模Ma从柏林噪声P生成。根据Ma从A采样异常区域，并将其放置在无异常图像I上以生成异常图像Ia。.Ση=max Mo*fsf×sf、（五）图5.原始异常源图像（左）可以是aug-其中fsf×sf是大小为sf×sf的均值滤波器，*是卷积算子 在初步研究中，我们训练了一个在一些实施例中，该方法可以用于图像级异常分类的分类网络，但是没有观察到相对于直接得分估计方法的改进（5）。分割若干次（中间）以产生各种各样的模拟异常区域（右）。83344. 实验对DRÆM进行了广泛的评价，并与最近的无监督地表异常检测和定位技术进行了比较。此外，通过消融研究评估了所提出方法的各个组成部分和模拟异常的训练有效性最后，通过将DRÆM与最先进的弱监督和全监督表面缺陷检测方法进行比较，将结果置于更广泛的角度。4.1. 与无监督方法的比较DRÆM在最近具有挑战性的MVTec异常检测数据集[3]上进行评估，该数据集已被确立为用于评估非监督表面异常检测方法的标准基准数据集。我们评估DRÆM的表面异常探测和定位的任务。MVTec数据集包含15个具有不同异常集的对象类，其使得能够对表面异常检测方法进行一般评估。MVTec数据集的异常示例如图8所示。对于评估，使用异常检测中的标准度量AU-ROC。图像级AUROC用于异常检测，基于像素的AUROC用于评估异常定位[5，24，17，26]。然而，AUROC在表面异常检测设置中并不能很好地反映定位精度，其中只有一小部分像素是异常的原因是假阳性率由先验的非常高数量的非异常像素支配，因此尽管有假阳性检测，但仍保持较低。因此，我们还报告的像素平均精度度量（AP），这是更适合高度不平衡的类，特别是表面异常检测，其中精度起着重要作用。在我们的实验中，网络在MVTec异常检测数据集上训练了700个时期[3]。学习率被设置为10−4并乘以0。400和600后1时代在（-45，45）度范围内的图像旋转是作为一种数据增强方法，在无异常的IM上使用年龄，以减轻由于相对小的无异常训练集大小而导致的过拟合。可描述纹理数据集[9]用作异常源数据集。在图8中呈现了许多获得的定性实例。如可以观察到的，所获得的异常掩模非常详细并且以高精度类似于给定的地面实况标签。因此，DRæM在所有MVTec类别中实现了最先进的定量结果，用于表面异常检测和定位。表面异常检测。表1定量地比较了DRæM与图像级表面异常检测任务的最新方法。DRÆM显著优于所有最近的地表异常探测类[1]第一章[26日][4]美国[三十一][20个][第十一届]德拉姆瓶79.498.399.099.910099.999.2胶囊72.168.786.188.492.391.398.5网格74.386.781.099.692.996.799.9皮革80.894.488.2100100100100丹67.176.887.983.883.493.398.9瓷砖72.096.199.198.797.498.199.6晶体管80.879.481.890.995.997.493.1拉链74.478.191.998.197.990.3100电缆71.166.586.281.994.092.791.8地毯82.190.391.684.295.599.897.0榛子87.410093.183.398.792.0100.0金属螺母69.481.582.088.593.198.798.7螺钉10010054.984.581.285.893.9牙刷70.095.095.310095.896.1100木材92.097.997.793.097.699.299.1avg78.287.387.791.794.495.598.0表1. MVTec数据集（AUROC）表面异常检测任务的结果。所有班级的平均分数也报告在最后一行（avg）。在15个类别中的9个类别中实现了最高AUROC，并且在其他类别中实现了可比较的结果。它超过了以前最好的国家的最先进的方法2。5个百分点。某些类别中的性能降低可以通过接近正常图像分布的特别困难的异常来解释。物体的一部分的缺失尤其难以检测。缺少目标特征的区域通常包含其他常见的特征。这使得这种异常难以与无异常区域区分开。在图6中可以看到这种情况的示例，其中一些晶体管引线已经被切割。地面真值标记了断裂引线应视为异常的区域。DRÆM仅检测切割电极导线的小区域中的异常特征，因为背景特征在训练期间是常见的。异常定位。表2比较了DRæM与像素级表面异常检测任务的最新技术水平。DRÆM在AUROC评分方面达到了与先前最佳方法相当的结果，并超过了最先进的13。4个百分点的AP。在15个班级中有11个取得了更好的AP分数，与其他班级的最先进水平相当。与最先进的方法Uninformed Students [4]和PaDim [11]的定性比较如图7所示。DRÆM显著提高了异常分割精度。详细的检查表明，一些检测错误可以归因于不准确的地面真相标签模糊异常。图6中示出了这种情况的一个示例，其中地面实况覆盖药丸的整个表面，但只有黄点是异常的。DRÆM生成一个异常图，正确定位黄色小点，但与地面实况掩模的差异8335图6.原始图像（a）包含难以在真实掩模（b）中标记的异常图7.异常图像显示在第一行中。中间的三行分别显示了由我们实施Uninformed Students [4]、PaDim [11]和DRÆM生成的异常图最后一行显示DRÆM的直接异常图输出增加了性能误差。这些注释不明确性也影响所评估的方法的AP评分。类美国[4]里亚德[31]Padim[11]德拉姆瓶97.8/74.298.4/76.498.2/77.399.1/86.5胶囊96.8/25.992.8/38.298.6/46.794.3/49.4网格89.9/10.198.8/36.497.1/35.799.7/65.7皮革97.8/40.999.4/49.199.0/53.598.6/75.3丹96.5/62.095.7/51.695.7/61.297.6/48.5瓷砖92.5/65.389.1/52.694.1/52.499.2/92.3晶体管73.7/27.187.7/39.297.6/72.090.9/50.7拉链95.6/36.197.8/63.498.4/58.298.8/81.5电缆91.9/48.284.2/24.496.7/45.494.7/52.4地毯93.5/52.296.3/61.499.0/60.795.5/53.5榛子98.2/57.896.1/33.898.1/61.199.7/92.9金属螺母97.2/83.592.5/64.397.3/77.499.5/96.3螺钉97.4/7.898.8/43.998.4/21.797.6/58.2牙刷97.9/37.798.9/50.698.8/54.798.1/44.7木材92.1/53.385.8/38.294.1/46.396.4/77.7avg93.9/45.594.2/48.297.4/55.097.3/68.4表2.MVTec数据集（AUROC /AP）上异常定位任务的结果4.2. 消融研究DRÆM的设计选择进行了分析组的实验评估（i）的方法架构，（ii）异常外观模式的选择和（iii）低扰动的例子生成。在表3中通过灰色阴影对结果进行视觉分组。架构通过从管道中移除DRCARM重构子网络并单独训练判别子网络来评估结果示于表3，实验Disc.请注意，与完整的DRÆM架构相比，性能有所降低（表3，实验DRÆM）。性能下降是由于判别子网络对模拟异常的过拟合，这不是真实异常的忠实表示。接下来，通过将重构子网络评估为基于自动编码器的表面异常检测器来单独分析重构子网络的辨别能力使用SSIM函数[27]将子网络的重建图像输出与输入图像进行比较，以生成异常图。该方法的结果示于表3中，实验Recon. AE.侦察AE优于最近的基于自动编码器的表面异常检测方法AE-SSIM [5]（参见表2中的结果）。这表明模拟异常训练将附加信息引入到基于自动编码器的训练中，但根据与DRÆM的性能差距判断，SSIM相似性函数可能不是提取异常信息的最佳函数。实际上，使用最近提出的相似性函数MS-GMS [31]（Recon.AEMSGMS）改进了性能，但结果仍然比使用整个DRÆM架构时明显更差，这表明重建和判别部分都需要获得最佳结果。为了进一步强调DRÆM主干的贡献，我们将其完全替换为最新的最先进的监督判别式地表异常检测网络[6]，并 使用 模拟异 常进行重新训练（表 3 ，B ozˇ icˇetal.）。性能显著下降，这进一步支持学习异常偏离正常程度而不是异常或正常外观的能力。异常外观模式。使用ImageNet [12]作为异常模拟器中的纹理源重新训练DRÆM，以研究异常生成数据集的影响（表3中的DRÆMImageNet）。结果与使用小得多的DTD [9]数据集相比。图9显示了各种异常源数据集大小下的性能。结果表明，增强和不透明度随机化大大有助于性能，允许显着少量的纹理图像（小于10）。作为极端情况，异常纹理是8336图8.定性实例。示出了原始图像、异常图叠加、异常图和地面实况图方法架构侦察Net.Discr. Net.增强β异常生成ImageNet DTDPerlin矩形Det.结果Loc.Disc.CCCCC93.992.7/62.5侦察AECCCCC83.989.7/47.5侦察AEMSGMSCCCCC90.793.4/50.9Bozˇicˇ等[6]美国CCCC92.893.9/60.7DRÆMImageNetC CCCCC97.997.0/67.9DRÆM颜色C CCC96.292.6/56.5DRÆM矩形C CCCCC96.996.8/65.1八月的DRÉC CCC97.494.5/64.3DRÆMimg augC CCCC97.495.0/64.5DRYMβC CCCC97.997.1/68.4德拉姆C CCCCC98.097.3/68.4表3.表面异常检测（Det.）和定位（Loc.）消融研究的实验按灰度分成(i)方法架构，（ii）异常源数据集，（iii）硬模拟异常生成，（iv）模拟异常形状，以及（v）参考DRÆM的性能。生成为随机采样颜色（DRÆM颜色）的均匀区域。请注意，DRÆM颜色仍然达到了最先进的结果，进一步表明DRÆM不需要模拟来密切匹配真实异常。异常形状发生器的影响是evalu，通过更换柏林噪声发生器的矩形区域发生器。因此，通过对异常区域的多个矩形区域进行采样来生成异常掩模（表3中的DRÆMrect）。在矩形异常上的训练仅导致轻微的性能下降，并且表明模拟的异常形状不必是现实的，以很好地推广到现实世界的异常。异常外观消融实验中生成的异常示例如图10所示。低扰动示例。对异常源图像增强和不透明度随机化进行了重新设计。可用于收紧无异常训练分布周围的决策边界。表3报告了 （ i ） 未 使 用 图 像 增 强 和 不 透 明 度 随 机 化（ DRÆMnoaug ） ， （ ii ） 仅 使 用 图 像 增 强（ DRÆMimgaug） 和 （ iii ） 仅 使用 不 透 明 度 随机 化（ DRÆMβ ） 训 练 的 DRÆM 变 体 的 结 果 。 在DRÆMnoaug和DRÆM之间存在显著的定位性能差距，然而，即使没有图像数据增强，也可以通过在训练中使用不透明度随机化来4.3. 与监督方法的比较监督方法需要在训练时进行异常注释，无法在MVTec上进行评估。因此，我们将DRæM与DAGM数据集[28]上的监督方法进行了比较，DAGM数据集包含10个纹理对象类8337方法AUROCTPR TNR CARIAD [31] 78.6 79.2 69.170.4美国[4] 72.5 72.6 65.366.2电话：+86-21 - 6666666传真：+86-21 - 666666666.2PaDim [11] 95.0 83.3 97.595.7DRÆM99.096.599.4九十八点五CADN [32]---89.1Racˇ ki等[19] 99.6 99.9 99.5-Lin等[15] 99.0 99.4 99.9-Bozˇ icˇ等[6]100 100 100 100表4. DRÆM优于DAGM数据集，并与完全监督的数据集表现相当。图9.DRÆM实现了显着的检测和定位性能已经在低至10纹理源图像的模拟器时，应用增强。图 10. 使 用 DTD[9] （ DRÆM ） ， ImageNet[12]（DRÆMImageNet），均匀颜色区域（DRÆMcolor）和矩形掩模（DRÆMrect）模拟的异常，从左到右。其中小的异常在视觉上非常类似于背景，这使得数据集对于无监督方法特别具有挑战性。DRæM仅在无异常训练样本上使用与先前实验相同的参数进行训练使用该数据集上的标准评估协议[19，32，15，6]-挑战是对图像是否包含异常进行分类;定位精度不被测量，因为异常仅被粗略地标记。表4示出了最好的完全监督方法几乎完美地对异常图像进行分类，而最先进的无监督方法如RIAD [31]和US [4]在高度纹理化的区域1上挣扎于细微的异常。DRÆM显著优于这些方法，甚至弱监督CADN [32]，获得接近最佳全监督方法的分类性能，这是一个显著的结果。此外，DRÆM在该数据集上的异常定位精度方面优于所有监督方法。由于训练图像仅用近似覆盖表面缺陷并包含背景的椭圆进行粗略注释，因此监督方法在测 试 图 像 中 也 产 生 不 准 确 的 定 位 。 与 此 相 反 ，DRCARM根本不使用标签，因此产生了更精确的异常图，如图11所示。1其他定性结果请参见补充材料。图11.监督方法复制近似的地面实况训练注释，导致定位精度低。DRÆM不使用地面实况，但产生更好的本地化。5. 结论提出了一种端到端判别式可训练地表异常检测与定位方法DRæM。DRÆM在MVTec数据集[ 3 ]上的表现优于当前最先进的2。5个AUROC点上的地表异常探测任务和由13. 在本地化任务上获得5个AP点。在DAGM数据集[28]上，DRæM提供了接近完全监督方法的异常图像分类精度，同时在定位精度上优于它们。这是一个了不起的结果，因为DRæM不是针对真实异常进行训练的。事实上，详细的分析表明，我们通过重构子网络学习联合重构-异常嵌入的范例显著改善了标准方法的结果，并且可以通过学习简单模拟上的重构偏差程度而不是学习正常或真实异常外观来很好地估计准确的决策边界。致谢这项工作得到了斯洛文尼亚研究机构计划P2-0214、J2-9433、J2-2506的支持。Vitjan Zavrtanik得到了ARRS青年研究员项目的支持。辅助核算不好8338引用[1] Samet Akcay ， Amir Atapour-Abarghouei ， and Toby PBreckon. GANomaly：通过对抗训练进行半监督异常检测。亚洲计算机视觉会议，第622-637页。Springer，2018.[2] SametAkcay、AmirAtapour-Abarghouei和TobyPBreckon。跳过GANomaly：跳过连接和对抗训练的编码器-解码器异常检测。2019年国际神经网络联合会议（IJCNN），第1-8页。IEEE，2019年7月。[3] Paul Bergmann，Michael Fauser，David Sattlegger，andCarsten Steger.MVTec AD-用于无监督异常检测的在IEEE计算机视觉和模式识别会议论文集，第9592-9600页，2019年[4] Paul Bergmann，Michael Fauser，David Sattlegger，andCarsten Steger.不知情的学生：学生-教师异常检测与鉴别潜在嵌入。在IEEE/CVF计算机视觉和模式识别会议论文集，第4183-4192页[5] PaulBer gmann，SindyLo¨ we，MichaelFauser，Da vidSattle g-ger，and Carsten Steger.通过将结构相似性应用于自动编码器来改进无监督缺陷在第14届计算机视觉，成像和计算机图形理论与应用上，第5卷，第372-380页[6] Ja k obBo zˇicˇ、DomenTabernik和DanijelSko cˇ aj。用于缺陷检测的两阶段神经网络的端到端训练。2020年第25届模式识别国际会议ICPR[7] 拉哈文德拉·查拉帕蒂，阿迪蒂亚·克里希纳·梅农，和圣杰·舒拉。使用单类神经网络的异常检测。arXiv预印本arXiv：1802.06360，2018。[8] 陈良杰、乔治·帕潘德里欧、弗洛里安·施洛夫和哈特维格·亚当。重新思考语义图像分割的atrous卷积。arXiv预印本arXiv：1706.05587，2017.[9] Mircea Cimpoi ， Subhransu Maji ， Iasonas Kokkinos ，Sammy Mohamed，and Andrea Vedaldi.描述野外的纹理。IEEE计算机视觉和模式识别会议论文集，第3606-3613页，2014年[10] Ekin D Cubuk，Barret Zoph，Jonathon Shlens，and QuocV Le.随机扩增：实用的自动数据扩充，减少搜索空间。在IEEE/CVF计算机视觉和模式识别研讨会会议记录中，第702-703页[11] Thomas Defard、Aleksandr Setkov、Angelique Loesch和Romaric Audigier。Padim：一个用于异常检测和定位的补丁分布建模框架。第一届工业机器学习国际研讨会，ICPR 2020，2020。[12] Jia Deng，Wei Dong，Richard Socher，Li-Jia Li，KaiLi，and Li Fei-Fei. Imagenet：一个大规模的分层图像数据库。2009年IEEE计算机视觉和模式识别会议，第248-255页。Ieee，2009年。[13] Ian Goodfellow 、 Jean Pouget-Abadie 、 Mehdi Mirza 、Bing Xu 、 David Warde-Farley 、 Sherjil Ozair 、 AaronCourville和Yoshua Bengio生成性对抗网。 在神经信息处理系统的进展，第2672[14] 林宗义、普里亚·戈亚尔、罗斯·格希克、何开明和彼得·多尔·拉尔。密集目标检测的焦面损失。在IEEE计算机视觉国际会议的论文集，第2980-2988页，2017年[15] Zessheng Lin ， Hongxia Ye ， Bin Zhan ， and XiaofengHuang.用于表面缺陷检测的高效网络。应用科学，10（17）：6085，2020.[16] Wenqian Liu ， Runze Li ， Meng Zheng ， SrikrishnaKaranam，Ziyan Wu，Bir Bhanu，Richard J Radke，andOctavia Camps.走向直观地解释变分自动编码器。在IEEE/CVF计算机视觉和模式识别会议论文集，第8642-8651页[17] Wen Liu ， Weixin Luo ， Dongze Lian ， and ShenghuaGao.异常检测的未来帧预测在IEEE计算机视觉和模式识别会议论文集，第6536-6545页[18] 肯·珀林图像合成器。ACM Siggraph计算机图形学，19（3）：287[19] DomenR acki，DejanToma ze vi c，andDanijelS koc aj.用于纹理表面异常检测的紧凑卷积神经网络。在2018年IEEE计算机视觉应用冬季会议（WACV），第1331-1339页，2018年。[20] Oliver Rippel Patrick Mertens和Dorit Merhof在预训练的深度特征中对正常数据的分布进行建模以用于异常检测。ICPR，2020年。[21] Olaf Ronneberger，Philipp Fischer，and Thomas Brox. U-net：用于生物医学图像分割的卷积网络。医学图像计算和计算机辅助干预国际会议，第234-241页。施普林格，2015年。[22] Lukas Ruff ， Robert Vandermeulen ， Nico Goernitz ，Lucas Deecke ， Shoaib Ahmed Siddiqui ， AlexanderBinder，Em-manuelMüller，andMariusKloft. 深度一级分类。第35届国际机器学习会议论文集，第80卷，第4393-4402页，2018年[23] ThomasSchle gl ， PhilippSeebo¨ck ， SebastianMWaldstein ，Georg Langs，and Ursula Schmidt-Erfurth.f-anogan：快速无监督异常检测与生成对抗网络。医学图像分析，54：30[24] ThomasSchle gl ， PhilippSeebo¨ck ， SebastianMWaldstein ，Ursula Schmidt-Erfurth，and Georg Langs.使用生成对抗网络进行无监督异常检测，以指导标记发现。在医学成像信息处理国际会议上，第146-157页。Springer，2017.[25] 雍石、杨洁、祁志全。通过深度特征重建的无监督异常分割神经计算，424：9[26] 唐大伟、郭维汉、兰建芳、丁兆祥、许晓剑、杨宏慈。双自编码器异常检测神经网络及其工业检测应用。传感器，20（12），2020.[27] Zhou Wang，Alan C Bovik，Hamid R Sheikh，and EeroP Si-moncelli.图像质量评估：从错误可见性到8339结构相似性IEEE图像处理学报，13（4）：600[28] M Wieler和T Hahn。工业光学检测的弱监督学习，2007。[29] Yexin Wu 、 Yogesh Balaji 、 Bhanukiran Vinzamuri 和Soheil Feizi。用于无监督异常检测的带单纯形插值的镜像自动编码器。欧洲计算机视觉会议（ECCV），2020。[30] Jihun Yi和Sungroh Yoon。Patch svdd：用于异常检测和分割的补丁级svdd。2020年亚洲计算机视觉会议论文集[31] VitjanZ a vrtanik，Ma t ejKristan，andDanijelS k o cˇ aj. 用于视觉异常检测的修复重建模式识别，2020。[32] Jiabin Zhang，Hu Su，Wei Zou，Xinyi Gong，ZhengtaoZhang，and Fei Shen. Cadn：用于表面缺陷检测的基于弱监督学习的类别感知对象检测网络。模式识别，109：107571，2021。