摘要

在本工作中，通过对异常检测（Anomaly Detection, AD）中“匹配”机制的本质重新审视，我们提出了一种全新的AD框架，该框架在保持异常检测精度达到新纪录的同时，实现了显著提升的运行速度。在该框架中，异常检测问题通过一种级联式图像块检索（patch retrieval）流程得以解决，该流程以粗到精的方式为每个测试图像块检索其最近邻样本。具体而言，给定一个测试样本，首先基于一种鲁棒的直方图匹配过程，从训练集中选出与之最相似的前K个图像（即“全局最近邻”）。随后，利用一个经过精心训练的局部度量（local metric），在这些“全局最近邻”图像中对应几何位置上，进一步检索每个测试图像块的最近邻（即“局部最近邻”）。最终，每个测试图像块的异常得分，根据其与“局部最近邻”的距离以及“非背景”概率进行综合计算。本文提出的该方法被命名为“级联图像块检索”（Cascade Patch Retrieval, CPR）。与传统的基于图像块匹配的AD算法不同，CPR在执行“匹配”（即“射击”）之前，先选择合适的“目标”（即参考图像及其对应位置），从而显著提升了匹配的效率与准确性。在广泛认可的MVTec AD、BTAD以及MVTec-3D AD数据集上，所提出的CPR算法在多种AD评估指标下，均显著优于所有对比的最先进（SOTA）方法。此外，CPR具有极高的运行效率：在标准配置下，其处理速度可达113 FPS；而其简化版本仅需不到1毫秒即可完成单张图像的处理，仅带来可忽略的精度损失。CPR的代码已开源，可访问 https://github.com/flyinghu123/CPR 获取。