摘要

大多数无监督图像异常定位方法由于卷积神经网络（CNN）强大的泛化能力，容易产生过泛化问题，导致预测结果不可靠。为缓解这一过泛化现象，本文提出一种借助合成异常样本协同优化正常与异常特征分布的方法，称为协同差异优化（Collaborative Discrepancy Optimization, CDO）。CDO引入了边际优化模块与重叠优化模块，分别用于优化决定定位性能的两个关键因素：正常与异常样本差异分布（Discrepancy Distributions, DDs）之间的边际距离与重叠程度。通过CDO，可实现正常与异常DDs之间较大的边际距离和较小的重叠，显著提升预测的可靠性。在MVTec2D与MVTec3D数据集上的实验结果表明，CDO能有效缓解过泛化问题，并在保持实时计算效率的前提下，实现优异的异常定位性能。此外，针对实际汽车塑料件质检场景的应用验证进一步证明了所提CDO方法的实用价值。相关代码已开源，地址为：https://github.com/caoyunkang/CDO。