摘要

异常检测器在工业制造中被广泛用于检测并定位查询图像中的未知缺陷。这些检测器基于无异常样本进行训练，能够有效区分大多数正常样本与异常样本。然而，硬正常样本（hard-normal examples）在特征空间中分布稀疏且远离多数正常样本，因此现有方法常将其误判为异常。为解决这一问题，本文提出一种名为硬正常样本感知的模板互匹配（Hard-normal Example-aware Template Mutual Matching, HETMM）的高效框架，用于构建稳健的基于原型的决策边界。具体而言，HETMM引入了所提出的仿射不变模板互匹配（Affine-invariant Template Mutual Matching, ATMM）机制，以缓解仿射变换及易正常样本带来的干扰。通过在查询图像与模板集之间，于局部块级搜索空间内进行像素级原型的相互匹配，ATMM能够精确区分硬正常样本与真实异常，显著降低误报率与漏检率。此外，本文还提出原型模板压缩（Prototype Template Selection, PTS）方法，用于压缩原始模板集以提升推理速度。PTS通过选取聚类中心与硬正常样本，有效保留原始决策边界的关键结构，使得压缩后的极小模板集仍能实现与原始模板集相当的性能表现。大量实验表明，HETMM在性能上超越现有最先进方法；即使仅使用60张样本构成的极小模板集，也能在NVIDIA Quadro 8000 RTX GPU上实现接近26.1 FPS的实时推理速度，具备优异的实用性。HETMM无需训练，支持通过直接向模板集中插入新样本进行“热更新”（hot-updated），可快速应对工业制造场景中的增量学习问题，具有良好的工程部署潜力。