استكشاف البروتوتايبات الطبيعية الداخلية داخل صورة واحدة للكشف الشامل عن الشذوذ

كشف التشتت (AD) يُعد أمرًا بالغ الأهمية في عمليات الفحص الصناعي، ومع ذلك تعتمد الطرق الحالية عادةً على "مقارنة" الصور المختبرة بالصور المرجعية الطبيعية المستمدة من مجموعة التدريب. لكن التغيرات في المظهر والوضع غالبًا ما تُعقّد عملية محاذاة هذه الصور المرجعية مع الصورة المختبرة، مما يحد من دقة الكشف. نلاحظ أن معظم الشذوذ تظهر كتغيرات محلية، مما يعني أن معلومات طبيعية ذات قيمة تظل موجودة حتى داخل الصور المشوهة. نحن نرى أن هذه المعلومات مفيدة وقد تكون أكثر توافقًا مع الشذوذ، نظرًا لأن كلًا من الشذوذ والمعلومات الطبيعية تنبع من نفس الصورة. لذلك، بدلًا من الاعتماد على الطبيعة الطبيعية الخارجية المستمدة من مجموعة التدريب، نقترح طريقة جديدة تُسمى INP-Former، والتي تستخلص نماذج طبيعية داخلية (INPs) مباشرة من الصورة المختبرة. بشكل خاص، نقدم "مُستخرج INP"، الذي يُكوّن تلقائيًا نماذج طبيعية داخلية من خلال الجمع الخطي للرموز الطبيعية. كما نقترح "خسارة الاتساق في INP" لضمان أن تمثل النماذج الطبيعية الداخلية الطبيعة الطبيعية للصورة المختبرة بدقة. ثم تُوجّه هذه النماذج الطبيعية الداخلية إلى "مُفكّك مُرشد بحسب INP" لإعادة بناء الرموز الطبيعية فقط، بينما تُستخدم أخطاء إعادة البناء كدرجات للكشف عن الشذوذ. بالإضافة إلى ذلك، نقترح "خسارة التنقيب اللطيف" لتمكين التدريب من إعطاء أولوية للعينات الصعبة التحسين. تحقق INP-Former أداءً متقدمًا على مستوى التقنيات الحالية في مهام كشف الشذوذ ذات الفئة الواحدة، والمتعددة الفئات، والقليلة العينات، على مجموعات بيانات MVTec-AD وVisA وReal-IAD، مما يضعها كحل مرن وشامل لمشاكل كشف الشذوذ. وبشكل ملحوظ، تُظهر INP-Former أيضًا قدرة معينة على كشف الشذوذ بدون تدريب مسبق (zero-shot). يمكن الاطلاع على الشيفرة المصدرية عبر الرابط: https://github.com/luow23/INP-Former.