摘要
以往的工业异常检测方法在处理训练集中的广泛多样性时常常面临挑战，尤其是在训练样本具有风格差异显著且特征丰富的情况下，我们将其归类为特征丰富型异常检测数据集（Feature-Rich Anomaly Detection Datasets, FRADs）。这一挑战在多视角、多类别等应用场景中尤为突出。为应对这一难题，我们提出了MiniMaxAD，一种高效的自编码器架构，能够有效压缩并记忆正常图像中的大量信息。该模型采用一种增强特征多样性的技术，从而提升网络的有效容量；同时引入大核卷积操作，以提取高度抽象的模式特征，实现高效且紧凑的特征嵌入。此外，我们设计了一种专为FRADs场景定制的自适应收缩难样本挖掘损失函数（Adaptive Contraction Hard Mining Loss, ADCLoss）。在本方法中，任何数据集均可统一纳入特征丰富型异常检测的框架下进行建模，其带来的优势显著超过潜在弊端。实验表明，所提出的方法在多个具有挑战性的基准测试中均取得了当前最优的性能表现。代码已开源，获取地址为：\href{https://github.com/WangFengJiee/MiniMaxAD}{https://github.com/WangFengJiee/MiniMaxAD}。