摘要
由于异常样本无法用于训练，许多异常检测与定位方法采用预训练网络结合非参数建模来估计编码特征的分布。然而，这些方法忽略了位置信息和邻域信息对正常特征分布的影响。为解决这一问题，本文提出一种新算法——PNI，该算法通过条件概率建模来估计正常特征分布，其中条件变量为邻域特征，采用多层感知机（MLP）进行建模。此外，通过在每个位置构建代表性特征的直方图来引入位置信息。与简单地对异常图进行重采样不同，所提出的方法引入了一个额外的精炼网络，该网络在合成异常图像上进行训练，以更精确地实现插值，并更好地保留输入图像的形状与边缘特征。我们在MVTec AD基准数据集上进行了实验，取得了当前最优的性能，异常检测与定位的AUROC得分分别达到99.56%和98.98%。