摘要
本文提出了一种新型的前沿视觉异常检测框架——双注意力Transformer与判别性流（Dual-attention Transformer and Discriminative Flow, DADF）。基于仅包含正常样本的知识进行视觉异常检测，在工业场景中具有广泛的应用前景，并受到广泛关注。然而，现有大多数方法难以满足实际应用需求。相比之下，本文提出的DADF框架提出了一种新范式：首先利用预训练网络获取多尺度先验嵌入表示，随后构建一种具备双注意力机制（即自注意力与记忆注意力）的视觉Transformer，实现对先验嵌入的两级重建，同时建模序列关联性与正常性特征。此外，我们引入归一化流（normalizing flow）技术，用于建立各尺度下先验表示与重建结果联合分布的判别性似然函数。在Mvtec AD数据集上，DADF取得了98.3（图像级）和98.4（像素级）的AUROC得分；在Mvtec LOCO AD基准测试中，图像级AUROC达到83.7，像素级sPRO达到67.4，充分验证了所提方法的有效性。