摘要

我们介绍了一种简单且直观的自监督任务——自然合成异常（Natural Synthetic Anomalies, NSA），用于仅使用正常训练数据训练端到端模型，以实现异常检测和定位。NSA 集成了泊松图像编辑技术，可以无缝融合来自不同图像的各种尺寸的缩放补丁。这创建了广泛范围内的合成异常，这些异常比以往用于自监督异常检测的数据增强策略更接近于自然子图像的不规则性。我们使用自然图像和医学图像对所提出的方法进行了评估。在 MVTec AD 数据集上的实验表明，经过 NSA 异常定位训练的模型能够很好地泛化到检测未知类型的制造缺陷。我们的方法总体检测 AUROC 达到了 97.2%，优于所有先前无需额外数据集即可学习的方法。代码可在 https://github.com/hmsch/natural-synthetic-anomalies 获取。