摘要

在单类分类（one-class classification）设定下的工业图像异常检测具有重要的实际应用价值。然而，现有大多数模型在进行特征嵌入时难以提取可分的特征表示，同时在执行单类分类时也难以构建对正常特征的紧凑描述。这一问题的直接后果是，大多数模型在检测违反上下文关系的逻辑异常方面表现不佳。为实现更有效、更全面的异常检测，本文提出一种基于自监督学习与自注意力图卷积（Self-supervised Learning and Self-attentive Graph Convolution, SLSG）的异常检测网络。SLSG利用生成式预训练网络辅助编码器学习正常模式的嵌入表示以及位置关系的推理能力。随后，SLSG通过模拟异常样本引入异常的伪先验知识。通过对比模拟异常样本，SLSG能够更准确地归纳正常特征，并有效缩小用于单类分类的超球体范围。此外，通过构建更具通用性的图结构，SLSG能够全面建模图像中各元素之间的密集与稀疏关系，从而进一步提升对逻辑异常的检测能力。在多个基准数据集上的大量实验结果表明，SLSG在异常检测任务中均取得了优越性能，充分验证了所提方法的有效性。