Zurückblick auf die umgekehrte Distanzierung für die Anomalieerkennung

Anomalieerkennung ist eine zentrale Anwendung im großskaligen industriellen Fertigungsprozess. Neuere Ansätze für diese Aufgabe haben hervorragende Genauigkeit gezeigt, erweisen sich jedoch aufgrund eines Latenz-Trade-offs als weniger praktikabel. Speicherbasierte Methoden mit herausragender Leistung, wie PatchCore oder die auf gekoppelten Hypersphären basierende Merkmalsanpassung (CFA), erfordern einen externen Speicherpool, was die Ausführungszeit erheblich verlängert. Eine alternative Herangehensweise, die umgekehrte Distillation (Reversed Distillation, RD) nutzt, kann hingegen gute Ergebnisse erzielen, während sie gleichzeitig eine geringe Latenz aufweist. In diesem Paper überprüfen wir diese Idee erneut, um deren Leistung zu verbessern, und etablieren damit eine neue State-of-the-Art-Benchmark auf dem anspruchsvollen MVTec-Datensatz sowohl für die Anomalieerkennung als auch die Anomalie-Lokalisierung. Der vorgeschlagene Ansatz, RD++, läuft sechsmal schneller als PatchCore und zweimal schneller als CFA, wobei die hinzugefügte Latenz gegenüber RD vernachlässigbar gering ist. Wir testen zudem unsere Methode auf den Datensätzen BTAD und Retinal OCT, um deren Verallgemeinerungsfähigkeit zu demonstrieren, und führen wichtige Ablationsstudien durch, um Einblicke in die Konfigurationen zu gewinnen. Der Quellcode wird unter https://github.com/tientrandinh/Revisiting-Reverse-Distillation verfügbar sein.