Concentrez Votre Distribution : Apprentissage Non-Contrastif de Type Grossier à Fin pour la Détection et la Localisation des Anomalies

L'essence de la détection d'anomalies non supervisée réside dans l'apprentissage d'une distribution compacte des échantillons normaux, afin de détecter les valeurs aberrantes comme des anomalies lors de l'évaluation. Par ailleurs, dans les applications réelles, notamment industrielles, les anomalies sont souvent subtiles et de granularité fine dans des images à haute résolution. Dans cette optique, nous proposons un nouveau cadre pour la détection et la localisation non supervisée des anomalies. Notre méthode vise à apprendre une distribution dense et compacte à partir d'images normales grâce à un processus d'alignement de grossier à fin. La phase d'alignement grossier standardise la position pixel par pixel des objets au niveau des images et des caractéristiques. La phase d'alignement fin puis maximise de manière dense la similarité des caractéristiques entre toutes les positions correspondantes au sein d'un lot. Afin de faciliter l'apprentissage à partir uniquement d'images normales, nous introduisons une nouvelle tâche prétexte appelée apprentissage non contrastif pour la phase d'alignement fin. Cet apprentissage non contrastif extrait des représentations robustes et discriminantes des images normales sans faire d'hypothèses sur les échantillons anormaux, permettant ainsi à notre modèle de généraliser efficacement à divers scénarios d'anomalies. Des expériences étendues sur deux jeux de données industriels typiques, MVTec AD et BenTech AD, démontrent que notre cadre est efficace pour détecter divers défauts du monde réel et atteint un nouveau record d'état de l'art dans la détection non supervisée des anomalies en milieu industriel.