ReConPatch：面向工业异常检测的对比补丁表征学习

异常检测在工业制造中对识别产品缺陷（如零部件错误、组件错位及损伤等）具有重要意义。由于缺陷样本稀少且类型未知，异常检测在机器学习领域被视为一项极具挑战性的任务。为应对这一挑战，现有方法通常利用从自然图像数据集预训练得到的通用视觉表征，并通过知识蒸馏提取相关特征。然而，这些方法仍存在预训练特征与目标工业数据之间存在差异的问题，或需要精心设计的数据增强策略，而后者在工业数据集上尤为困难。本文提出 ReConPatch 方法，通过训练预训练模型提取的图像块（patch）特征的线性调制，构建具有判别性的特征表示，以实现高效的异常检测。ReConPatch 采用对比表示学习（contrastive representation learning）策略，对特征进行有效聚合与分布优化，从而生成面向目标、易于区分的特征表示。针对对比学习中缺乏标注样本对的问题，我们引入两种数据表征间的相似性度量——成对相似性（pairwise similarity）与上下文相似性（contextual similarity），作为伪标签（pseudo-labels）来指导学习过程。实验结果表明，本方法在广泛使用且极具挑战性的 MVTec AD 数据集上取得了当前最优的异常检测性能，达到 99.72% 的准确率；同时在 BTAD 数据集上也实现了 95.8% 的先进水平性能，显著提升了工业异常检测的准确性和鲁棒性。