摘要
自监督特征重建方法在工业图像异常检测与定位任务中已展现出令人瞩目的进展。然而，这类方法在生成真实且多样化的异常样本方面仍面临挑战，同时在处理预训练特征的冗余性以及预训练偏差问题上也存在局限。为此，本文提出RealNet——一种具备真实合成异常样本生成能力与自适应特征选择机制的特征重建网络。该方法包含三项核心创新：首先，我们提出强度可控的扩散异常合成（Strength-controllable Diffusion Anomaly Synthesis, SDAS），该方法基于扩散过程，能够生成具有不同异常强度的样本，其分布与真实异常样本高度一致；其次，我们设计了异常感知特征选择（Anomaly-aware Feature Selection, AFS），通过选取具有代表性与判别性的预训练特征子集，在提升异常检测性能的同时有效控制计算开销；第三，我们引入重建残差选择（Reconstruction Residuals Selection, RRS）策略，能够自适应地筛选出具有判别力的重建残差，从而实现多粒度层级下异常区域的全面识别。我们在四个基准数据集上对RealNet进行了评估，实验结果表明，与当前最先进的方法相比，RealNet在图像级AUROC和像素级AUROC指标上均取得了显著提升。相关代码、数据及模型已开源，地址为：https://github.com/cnulab/RealNet。