FAIR : Restauration d'images sensible à la fréquence pour la détection visuelle d'anomalies industrielles

Les modèles de détection d’anomalies basés sur la reconstruction d’images sont largement étudiés dans le domaine de l’inspection visuelle industrielle. Toutefois, les modèles existants souffrent généralement d’un compromis entre la fidélité de la reconstruction des images normales et la capacité à distinguer les anomalies, ce qui nuit à leurs performances. Dans cet article, nous observons que ce compromis peut être mieux atténué en exploitant les biais fréquentiels distincts présents entre les erreurs de reconstruction des images normales et anormales. À cette fin, nous proposons FAIR (Frequency-aware Image Restoration), une nouvelle tâche d’auto-entraînement pour la restauration d’images, qui consiste à restaurer une image à partir de ses composantes à haute fréquence. Cette approche permet une reconstruction précise des motifs normaux tout en limitant la généralisation défavorable aux anomalies. En utilisant uniquement un réseau UNet simple, FAIR atteint des performances de pointe avec une efficacité accrue sur plusieurs jeux de données de détection de défauts. Code : https://github.com/liutongkun/FAIR.