MSFlow: Multi-Scale Flow-basiertes Framework für unsupervised Anomalieerkennung

Unüberwachte Anomalieerkennung (UAD) erzeugt erhebliches Forschungsinteresse und treibt eine breite Anwendung voran, bei der lediglich anormalitätsfreie Proben für das Training zur Verfügung stehen. Einige UAD-Anwendungen zielen darauf ab, zusätzlich die räumlichen Bereiche anomaler Regionen zu lokalisieren, ohne jegliche Anomalieinformation zu nutzen.Obwohl das Fehlen anormaler Proben und Annotationen die Leistungsfähigkeit der UAD beeinträchtigt, stellt ein unauffälliger, dennoch leistungsfähiger statistischer Ansatz – die Normalisierungsflüsse (normalizing flows) – eine geeignete Methode für die anpassungsfähige Anomalieerkennung und -lokalisierung dar. Flussbasierte probabilistische Modelle, die ausschließlich auf anormalitätsfreien Daten trainiert werden, können unvorhersehbare Anomalien effizient unterscheiden, indem sie ihnen deutlich geringere Wahrscheinlichkeiten im Vergleich zu normalen Daten zuweisen.Dennoch führt die Variabilität der Größe unvorhersehbarer Anomalien zu einer zusätzlichen Herausforderung für flussbasierte Methoden bei der Erzielung hochpräziser Anomalieerkennung und -lokalisierung. Um die Variation der Anomalengröße zu generalisieren, schlagen wir einen neuen mehrskaligen, flussbasierten Ansatz namens MSFlow vor, der aus asymmetrisch parallelen Flüssen besteht, die durch einen Fusionsschritt verbunden sind, um mehrskalige Wahrnehmungen auszutauschen. Zudem werden unterschiedliche Strategien zur mehrskaligen Aggregation für die Bildweisen Anomalieerkennung und die Pixelweisen Anomalieortung verwendet, entsprechend der jeweiligen Differenz zwischen diesen beiden Aufgaben. Die vorgeschlagene MSFlow-Struktur wird auf drei Anomalieerkennungsdatasets evaluiert und übertrifft dabei signifikant bestehende Methoden. Insbesondere erreicht MSFlow auf dem anspruchsvollen MVTec AD Benchmark eine neue State-of-the-Art-Leistung mit einem Erkennungsscore von bis zu 99,7 % (AUORC), einem Lokalisierungsscore von 98,8 % (AUCROC) und einem PRO-Score von 97,1 %. Der nachvollziehbare Quellcode ist unter https://github.com/cool-xuan/msflow verfügbar.