摘要
在工业制造过程中，缺陷往往在不可预测的时间以未知的形式出现。针对这一问题，我们提出了一种无需任何缺陷样本图像即可实现自动缺陷检测的新方法。现有研究通常通过强统计先验或过于简化的数据表示来建模无缺陷图像数据的分布，而我们的方法则能够处理细粒度的特征表示，同时融合图像的全局与局部上下文信息，并灵活地估计数据密度。为此，我们提出了一种新型的全卷积跨尺度归一化流（Cross-scale Normalizing Flow, CS-Flow），该模型可联合处理多尺度的特征图。利用归一化流为输入样本分配有意义的概率似然值，实现了高效的图像级缺陷检测。此外，由于归一化流保留了空间结构，其隐空间具有可解释性，从而能够精确定位图像中的缺陷区域。在基准数据集Magnetic Tile Defects和MVTec AD上的实验表明，我们的方法在图像级缺陷检测任务中达到了新的最先进水平，在15个类别中的4个类别上实现了100%的AUROC。