PaDiM: Ein Patch-Verteilungsmodellierungs-Framework zur Anomalieerkennung und -lokalisierung

Wir präsentieren einen neuen Ansatz für die Patch-Verteilungsmodellierung, PaDiM, zur gleichzeitigen Detektion und Lokalisierung von Anomalien in Bildern in einem One-Class-Lernsetting. PaDiM nutzt ein vortrainiertes konvolutionelles neuronales Netzwerk (CNN) zur Patch-Embedding und multivariate Gaussverteilungen, um eine probabilistische Darstellung der Normalklasse zu erzeugen. Zudem nutzt es Korrelationen zwischen den verschiedenen semantischen Ebenen des CNN, um Anomalien präziser zu lokalisieren. PaDiM übertrifft aktuelle State-of-the-Art-Ansätze sowohl bei der Anomalie-Detektion als auch bei der Lokalisierung auf den Datensätzen MVTec AD und STC. Um die Anforderungen realer visueller industrieller Inspektionen besser zu berücksichtigen, erweitern wir das Evaluationsprotokoll, um die Leistung von Anomalie-Lokalisierungsalgorithmen auch auf nicht-alignierten Datensätzen zu bewerten. Die herausragende Leistung und die geringe Komplexität von PaDiM machen es zu einer vielversprechenden Lösung für zahlreiche industrielle Anwendungen.