Synthèse d'anomalies guidée par des frontières progressives pour la détection d'anomalies industrielles

Les méthodes de détection d'anomalies non supervisées peuvent identifier les défauts de surface dans les images industrielles en utilisant uniquement des échantillons normaux pour l'entraînement. En raison du risque de surapprentissage lors de l'apprentissage à partir d'une seule classe, des stratégies de synthèse d'anomalies sont introduites pour améliorer la capacité de détection en générant des anomalies artificielles. Cependant, les stratégies existantes dépendent fortement des textures anormales provenant de jeux de données auxiliaires. De plus, leurs limitations en termes de couverture et de directionnalité dans la synthèse d'anomalies peuvent entraîner une incapacité à capturer des informations utiles et conduire à une redondance importante. Pour résoudre ces problèmes, nous proposons une nouvelle stratégie de Synthèse d'Anomalies Guidée par le Contour Progressif (PBAS), capable de synthétiser directionnellement des anomalies cruciales au niveau des caractéristiques sans textures auxiliaires. PBAS se compose de trois composants principaux : Apprentissage du Contour Approché (ABL), Synthèse des Caractéristiques d'Anomalie (AFS) et Optimisation du Contour Affinée (RBO). Pour rendre la distribution des échantillons normaux plus compacte, ABL apprend d'abord un contour décisionnel approximatif par contrainte centrale, ce qui améliore l'initialisation du centre grâce à l'alignement des caractéristiques. AFS synthétise ensuite directionnellement les anomalies avec des échelles plus flexibles guidées par la distribution hypersphérique des caractéristiques normales. Étant donné que le contour est si lâche qu'il peut contenir des anomalies réelles, RBO affine le contour décisionnel par classification binaire entre les anomalies artificielles et les caractéristiques normales. Les résultats expérimentaux montrent que notre méthode atteint des performances d'état de l'art et la vitesse de détection la plus rapide sur trois jeux de données industriels largement utilisés, notamment MVTec AD, VisA et MPDD. Le code sera disponible à l'adresse suivante : https://github.com/cqylunlun/PBAS.