Bi-Grid Reconstructionによる画像異常検知

科学分野:

• コンピュータビジョン;機械学習;人工知能

背景:

• 教師なしおよび自己教師ありの方法は、一般的な産業用異常検知で優れていますが、微細な欠陥には苦労します。;既存の再構成ベースの方法は、過剰検出または過小検出、および同一ショートカット（IS）問題のような課題にしばしば直面します。

研究 の 目的:

• 画像異常検知のためのBi-Grid ReconstructionであるGRADを提案すること。これは、微細な異常の検出を強化するための新しいアプローチです。;産業用画像異常検知シナリオにおける一般化と検出精度の向上。

主な方法:

• 再構成を支援するために2つの連続したグリッドを特徴リポジトリとして利用し、一般化を強化し、IS問題を軽減します。;正規の特徴グリッドに加えて異常な特徴のための追加のグリッドを導入し、正規の特徴境界を洗練します。;異常グリッドの迅速な展開を可能にするために、特徴レベルでの異常の合成のための特徴ブロックペースト（FBP）モジュールを組み込みます。

主要な成果:

• 古典的な産業データセット（MVTecAD、VisA、GoodsAD）で最先端の方法を大幅に上回る改善を示しました。;正規の特徴境界を洗練することにより、微細な欠陥に対する検出性能を強化しました。;複数のクラスに対して単一モデルのトレーニングを可能にする、統一されたタスク設定への適合性を示しました。

結論:

• Bi-Grid ReconstructionによるGRADは、産業環境における微細な画像異常検知のための堅牢なソリューションを提供します。;デュアルグリッドアプローチとFBPモジュールは、既存の方法の限界を効果的に解決し、精度と一般化を向上させます。;マルチクラス検出のための方法の適応性は、多様な産業アプリケーションにおけるその実用的な価値を強調しています。