Détection d'anomalies non supervisée en deux étapes

La détection d’anomalies à partir d’une seule image est un défi majeur, car les données anormales sont toujours rares et peuvent présenter des types extrêmement imprévisibles. Étant donné qu’uniquement des données sans anomalie sont disponibles, la plupart des méthodes existantes entraînent un Autoencodeur afin de reconstruire l’image d’entrée, puis identifient les régions anormales en mesurant les différences entre l’image d’entrée et la sortie reconstruite. Toutefois, ces approches sont sujettes à un problème potentiel : une reconstruction grossière engendre des différences artificielles supplémentaires, tandis qu’une reconstruction de haute fidélité risque de intégrer l’anomalie elle-même. Dans cet article, nous résolvons cette contradiction en proposant une approche en deux étapes, capable de générer des reconstructions de haute fidélité tout en restant exemptes d’anomalies. Notre méthode, nommée Détection d’anomalies non supervisée en deux étapes (UTAD), repose sur deux composants techniques essentiels : le Réseau Extracteur d’Impression (IE-Net) et le Réseau Expert (Expert-Net). L’IE-Net et l’Expert-Net accomplissent conjointement la tâche de reconstruction d’image sans anomalie en deux étapes, tout en produisant des résultats intermédiaires intuitifs, ce qui rend l’ensemble de UTAD interprétable. Des expériences étendues démontrent que notre méthode surpasser les états de l’art sur quatre jeux de données de détection d’anomalies présentant divers types d’objets et de textures réels.