摘要
视觉表面异常检测旨在识别图像中显著偏离正常外观的局部区域。近年来的表面异常检测方法主要依赖生成模型，通过精确重建正常区域并在异常区域上失败来实现检测。这些方法仅在无异常图像上进行训练，通常还需人工设计的后处理步骤来定位异常，这限制了特征提取过程以最大化检测能力的优化。除了重建式方法外，本文将表面异常检测主要视为一个判别性问题，并提出一种判别性训练的重建异常嵌入模型（Discriminatively Trained Reconstruction Anomaly Embedding Model, DRAEM）。该方法同时学习异常图像与其无异常重建之间的联合表示，并学习正常样本与异常样本之间的决策边界。该方法可直接实现异常定位，无需对网络输出进行额外复杂的后处理，且可通过简单通用的异常模拟方式进行训练。在具有挑战性的MVTec异常检测数据集上，DRAEM显著优于当前最先进的无监督方法；在广泛使用的DAGM表面缺陷检测数据集上，其检测性能甚至接近完全监督方法，且在定位精度方面实现显著超越。