Anomalieerkennung mittels scorebasierte Störungsresilienz

Unüberwachtes Anomalieerkennung wird in industriellen Anwendungen breit untersucht, da anomale Daten schwer zu beschaffen sind. Insbesondere basieren Rekonstruktionsansätze auf einer vielversprechenden Lösung, wenn kein Zugriff auf externe Wissensquellen wie zusätzliche Datensätze oder vortrainierte Modelle möglich ist. Allerdings weisen Rekonstruktionsmethoden aufgrund ihrer begrenzten Erkennungsleistung eine eingeschränkte Nutzbarkeit auf. Kürzlich hat ein score-basierter Ansatz, auch bekannt als Rauschabbau-Diffusionsmodell, eine hohe Qualität bei der Generierung von Daten gezeigt. In diesem Artikel stellen wir eine neuartige, unüberwachte Anomalieerkennungsmethode vor, die auf einem score-basierten Modell beruht. Diese Methode verspricht eine hervorragende Leistung ohne Verwendung externer Kenntnisse. Der Score, definiert als Gradient der Log-Wahrscheinlichkeit, verfügt über eine Eigenschaft, die sich für die Anomalieerkennung eignet. Proben auf dem Datensatzmanifold können durch den Score sofort wiederhergestellt werden, selbst wenn sie zufällig gestört wurden. Wir bezeichnen dieses Phänomen als score-basierte Störungsresilienz. Im Gegensatz dazu können Proben, die vom Manifold abweichen, auf diese Weise nicht wiederhergestellt werden. Die Variation der Resilienz in Abhängigkeit von der Probenposition kann somit als Indikator zur Unterscheidung von Anomalien dienen. Diese Aussage leiten wir aus einer geometrischen Perspektive ab. Unsere Methode erzielt eine überlegene Leistung auf drei Benchmark-Datensätzen für industrielle Anomalieerkennung. Insbesondere erreichen wir auf dem MVTec AD eine Bild-Level-AUROC von 97,7 % und eine Pixel-Level-AUROC von 97,4 %, wodurch wir die bisherigen Ansätze, die keine externen Kenntnisse nutzen, übertreffen.