摘要

我们提出了一种简单且易于应用的网络（称为 SimpleNet），用于异常检测与定位。SimpleNet 由四个核心组件构成：（1）一个预训练的特征提取器，用于生成局部特征；（2）一个浅层特征适配器，用于将源域的局部特征迁移至目标域；（3）一个简化的异常特征生成器，通过向正常特征添加高斯噪声来合成异常特征；（4）一个二分类异常判别器，用于区分异常特征与正常特征。在推理阶段，异常特征生成器将被移除。本方法基于三个核心直觉：第一，将预训练特征转换为面向目标域的特征，有助于缓解域偏移问题；第二，在特征空间中生成合成异常更为有效，因为缺陷在图像空间中可能缺乏显著共性；第三，采用简洁的判别器结构具有更高的效率与实用性。尽管结构简单，SimpleNet 在定量与定性评估上均优于现有方法。在 MVTec AD 基准测试中，SimpleNet 实现了 99.6% 的异常检测 AUROC，相较于表现最佳的现有模型，错误率降低了 55.5%。此外，SimpleNet 具有极高的运行效率，在 NVIDIA 3080 Ti GPU 上可达到高达 77 FPS 的帧率。同时，该方法在单类新奇检测（One-Class Novelty Detection）任务中也展现出显著的性能提升。代码地址：https://github.com/DonaldRR/SimpleNet