基于领域偏移的工业异常检测：一个真实世界数据集与掩码多尺度重建

工业异常检测（Industrial Anomaly Detection, IAD）在实现工业质量检测自动化方面具有关键作用。数据集的多样性是构建全面IAD算法的基础。现有IAD数据集主要关注数据类别的多样性，却忽视了同一类别内部域（domain）的多样性。为弥补这一不足，本文提出一个名为航空发动机叶片异常检测（Aero-engine Blade Anomaly Detection, AeBAD）的新数据集，包含两个子数据集：单叶片异常检测数据集与叶片视频异常检测数据集。相较于现有数据集，AeBAD具有以下两个显著特征：（1）目标样本未对齐且尺度各异；（2）测试集中正常样本的分布与训练集之间存在域偏移（domain shift），其主要成因是光照条件与视角的变化。基于该数据集，我们观察到当前最先进的IAD方法在测试集中正常样本的域发生偏移时表现出明显局限性。为应对这一挑战，本文提出一种新颖的方法——掩码多尺度重建（Masked Multi-scale Reconstruction, MMR），该方法通过掩码重建任务增强模型对正常样本中局部块（patches）之间因果关系的推断能力。在AeBAD数据集上，MMR显著优于现有SOTA方法。此外，在MVTec AD数据集上，MMR在检测多种类型异常时也展现出与SOTA方法相当的性能。代码与数据集已开源，地址为：https://github.com/zhangzilongc/MMR。