领域泛化的纹理表面异常检测

异常检测旨在识别偏离正常模式的异常数据，而这一任务通常需要大量正常数据用于模型训练。尽管近年来异常检测方法取得了显著进展，但在未见领域中实现异常检测仍然是一个具有挑战性的任务。本文针对领域泛化的纹理表面异常检测问题展开研究。通过在多个源域中观察正常与异常的表面数据，我们的模型能够泛化至目标未见纹理表面上，在该表面上测试阶段仅能获取少量正常数据。尽管训练数据仅包含图像级标签，我们的基于图像块的元学习模型仍展现出优异的泛化能力：不仅能够适应未见的图像域，还能准确定位查询图像中的异常区域。实验结果表明，在多种设置下，我们的模型在性能上优于当前最先进的异常检测与领域泛化方法。