摘要

无监督异常检测与定位在标注不可行，且训练数据中完全缺失异常样本的情况下具有广泛的实际应用价值。尽管近年来提出的若干模型在该数据设置下取得了较高的准确率，但其复杂性限制了其实时处理能力。本文提出一种实时模型，并从理论上推导了其与先前方法之间的关系。所提出的CFLOW-AD模型基于条件归一化流（conditional normalizing flow）框架，专为具备定位能力的异常检测而设计。具体而言，CFLOW-AD由一个判别式预训练的编码器和多个多尺度生成式解码器组成，其中解码器显式估计编码特征的似然概率。该方法实现了计算与内存效率的显著提升：在相同输入设置下，CFLOW-AD的速度和模型尺寸均比当前最先进的方法快10倍、小10倍。在MVTec数据集上的实验结果表明，CFLOW-AD在检测任务中比先前方法提升了0.36%的AUROC，在定位任务中分别提升了1.12%的AUROC和2.5%的AUPRO。本文已开源全部代码，并提供完全可复现的实验设置。