摘要

工业缺陷检测通常采用异常检测（AD）方法来解决，这些方法在潜在缺陷的数据不足或完全缺失的情况下尤为适用。本研究发现了学生-教师网络在异常检测中存在的一些先前未知的问题，并提出了一种解决方案，即训练两个神经网络以对无缺陷的训练样本产生相同的输出。学生-教师网络的核心假设是，对于异常样本，由于其在训练过程中未出现，两个网络的输出之间的距离会更大。然而，以往的方法由于学生和教师网络架构相似，导致异常样本的输出距离过小。因此，我们提出了非对称学生-教师网络（Asymmetric Student-Teacher, AST）。我们将一个用于密度估计的归一化流作为教师网络进行训练，并将一个传统的前馈网络作为学生网络进行训练，以触发异常样本时较大的输出距离：归一化流的双射性确保了异常数据与正常数据相比，教师网络的输出具有更大的差异。而由于学生网络的基本架构不同，在训练分布之外它无法模仿这种差异。我们的AST网络通过归一化流补偿了错误估计的可能性值，这在以往的工作中曾被用作异常检测的一种替代方法。我们展示了该方法在当前最相关的两个缺陷检测数据集MVTec AD和MVTec 3D-AD上，在RGB图像和3D数据的图像级异常检测方面取得了最先进的结果。