摘要
尽管现有的图像异常检测方法取得了令人瞩目的成果，但其大多采用离线学习范式，需要大量预先收集的数据，限制了其在具有在线流式数据特征的工业场景中的适应能力。基于在线学习的图像异常检测方法更契合工业环境中实时流式数据的需求，然而目前却鲜有研究关注。本文首次提出一种完全在线学习的图像异常检测方法——LeMO（Learning Memory for Online image anomaly detection）。LeMO采用正交随机噪声初始化可学习记忆模块，无需依赖大量数据进行记忆初始化，从而避免了离线数据收集过程中的低效问题。此外，本文设计了一种基于对比学习的损失函数，实现了记忆模块与图像目标特征的在线联合优化。所提方法结构简洁且效果显著。大量实验表明，LeMO在在线学习场景下表现出卓越的性能；同时，在离线设置下，LeMO亦能与当前最先进方法相媲美，并在少样本（few-shot）场景中展现出优异的性能。