Une Stratégie Unifiée de Synthèse d'Anomalies basée sur la Montée en Gradient pour la Détection et la Localisation des Anomalies Industrielles

Les stratégies de synthèse d’anomalies peuvent efficacement améliorer la détection non supervisée des anomalies. Toutefois, les approches existantes présentent des limites en ce qui concerne la couverture et la maîtrise de la synthèse d’anomalies, en particulier pour les défauts faibles, qui sont très similaires aux régions normales. Dans cet article, nous proposons GLASS (Global and Local Anomaly co-Synthesis Strategy), un cadre unifié novateur conçu pour synthétiser une couverture plus étendue d’anomalies sous les contraintes de distribution manifolde et hypersphérique, respectivement au niveau des caractéristiques (via la synthèse d’anomalies globales, GAS) et au niveau des images (via la synthèse d’anomalies locales, LAS). Notre méthode permet de générer de manière contrôlée des anomalies proches de la distribution des données normales en utilisant un bruit gaussien guidé par une montée de gradient et une projection tronquée. GLASS atteint des résultats de pointe sur les jeux de données MVTec AD (AUC de détection de 99,9 %), VisA et MPDD, et se distingue particulièrement dans la détection des défauts faibles. Son efficacité et son efficacité énergétique ont été confirmées dans des applications industrielles, notamment pour la détection de défauts dans les tissus textiles. Le code source et les jeux de données sont disponibles à l’adresse suivante : \url{https://github.com/cqylunlun/GLASS}.