摘要
异常检测是一项具有挑战性的任务，通常被建模为一类学习（one-class learning）问题，以应对异常现象的不可预见性。本文提出了一种简单而强大的解决方案，该方法基于师生（student-teacher）框架实现，充分发挥其优势，并在准确性和效率方面实现了显著提升。在以图像分类任务上预训练的强模型作为教师网络的前提下，本文通过知识蒸馏技术，将教师网络的知识单步迁移至结构相同的单一学生网络中，使其学习正常图像的分布特征，该单步迁移过程尽可能保留了关键线索。此外，本文将多尺度特征匹配策略引入框架中，通过分层特征匹配机制，使学生网络能够从教师网络的特征金字塔中获得多层次知识的融合信息，并在更优的监督下进行学习，从而实现对不同尺寸异常的有效检测。两个网络生成的特征金字塔之间的差异被用作评分函数，用于衡量异常发生的概率。得益于上述设计，本方法实现了高精度且快速的像素级异常检测。在MVTec异常检测数据集上，该方法取得了极具竞争力的性能，优于现有最先进方法。