基于模板引导的分层特征恢复异常检测

针对复杂正常模式下不同尺寸异常的检测任务，我们提出了一种模板引导的分层特征恢复方法（Template-guided Hierarchical Feature Restoration），该方法引入了两项关键技术：瓶颈压缩（bottleneck compression）与模板引导补偿（template-guided compensation），以实现无异常特征的恢复。具体而言，我们的框架通过瓶颈结构对图像的分层特征进行压缩，从而保留正常样本之间共享的最关键特征。同时，我们设计了模板引导补偿机制，旨在将受畸变的特征恢复为无异常的特征。特别地，我们选取与待测样本最相似的正常样本作为模板，并利用该模板的分层特征来补偿输入图像中受损的特征。瓶颈结构能够在一定程度上过滤异常特征，而模板引导的补偿机制则进一步在模板的指导下将残余的异常特征逐步转化为正常特征。最终，通过计算推理图像的预训练特征与其对应恢复后的无异常特征之间的余弦距离，实现异常检测。实验结果表明，该方法在MVTec LOCO AD数据集上取得了当前最优的性能表现。