基于元学习驱动的迭代精炼的鲁棒工业检测异常检测

本研究聚焦于工业检测中鲁棒异常检测模型的性能，特别关注其处理噪声数据的能力。为此，我们提出利用元学习方法的自适应特性，识别并剔除噪声训练数据，从而优化学习过程。在所提出的模型中，我们结合了模型无关元学习（Model Agnostic Meta Learning, MAML）与基于四分位距（Inter-Quartile Range, IQR）的迭代剔除机制，以增强模型的适应性与鲁棒性。该方法显著提升了模型区分正常状态与缺陷状态的能力。在MVTec和KSDD2两个知名数据集上开展的实验结果表明，所提出的方法不仅在高噪声环境下表现优异，即使在训练集质量较高的情况下，也能有效识别出相对分布外的异常样本，从而在性能上显著优于传统模型。