FastRecon: Few-shot Industrial Anomaly Detection durch schnelle Feature-Rekonstruktion

Bei der industriellen Anomalieerkennung stellen Daten-Effizienz und die Fähigkeit zur schnellen Übertragbarkeit zwischen Produkten zentrale Herausforderungen dar, wenn Detektionsalgorithmen entwickelt werden. Bestehende Ansätze neigen dazu, datenintensiv zu sein und folgen dem Prinzip „ein Modell – eine Kategorie“, was ihre Wirksamkeit in realen industriellen Szenarien erheblich einschränkt. In diesem Paper stellen wir eine Few-Shot-Anomalieerkennungsstrategie vor, die in einem datenarmen Umfeld funktioniert und gleichzeitig ohne zusätzlichen Aufwand über Produkte hinweg generalisieren kann. Gegeben ein defektes Abfragebeispiel schlagen wir vor, wenige normale Beispiele als Referenz zu nutzen, um dessen normale Version zu rekonstruieren, wobei die endgültige Anomalieerkennung durch eine Probenalignment erreicht wird. Konkret führen wir eine neuartige Regression mit Verteilungsregularisierung ein, um die optimale Transformation von Support- zu Abfrage-Features zu ermitteln. Diese garantiert, dass das Rekonstruktionsergebnis visuelle Ähnlichkeit mit dem Abfragebeispiel aufweist und gleichzeitig die Eigenschaften normaler Proben bewahrt. Experimentelle Ergebnisse zeigen, dass unsere Methode im Vergleich zu vorherigen State-of-the-Art-Verfahren sowohl auf Bild- als auch auf Pixel-Ebene bei 2- bis 8-Shot-Szenarien signifikant übertrifft. Darüber hinaus erreicht unsere Methode mit lediglich einer begrenzten Anzahl von Trainingsbeispielen (weniger als acht) eine konkurrenzfähige Leistung gegenüber herkömmlichen Anomalieerkennungsverfahren, die mit umfangreichen Mengen normaler Trainingsdaten trainiert wurden.