摘要

基于图像重建的异常检测模型在工业视觉检测中得到了广泛研究。然而，现有模型通常面临正常样本重建保真度与异常样本重建可区分性之间的权衡问题，这一矛盾会损害整体检测性能。本文发现，通过利用正常与异常重建误差在频域上的显著差异，可以更有效地缓解上述权衡。为此，我们提出了一种新颖的自监督图像修复任务——频率感知图像修复（Frequency-aware Image Restoration, FAIR），该方法仅从图像的高频分量中恢复原始图像。FAIR能够在精确重建正常模式的同时，有效抑制对异常区域的不良泛化。仅使用一个简单的基础UNet结构，FAIR在多个缺陷检测数据集上均实现了当前最优的检测性能，且具有更高的计算效率。代码已开源：https://github.com/liutongkun/FAIR。