摘要

无监督异常检测方法可以通过仅利用正常样本进行训练来识别工业图像中的表面缺陷。由于从单一类别学习时存在过拟合的风险，因此引入了异常合成策略以生成人工异常，从而增强检测能力。然而，现有的策略严重依赖辅助数据集中的异常纹理。此外，它们在异常合成的覆盖范围和方向性上的局限可能导致无法捕捉有用信息并产生显著冗余。为了解决这些问题，我们提出了一种新颖的渐进边界引导异常合成（PBAS）策略，该策略能够在没有辅助纹理的情况下定向合成关键特征级别的异常。PBAS由三个核心组件组成：近似边界学习（ABL）、异常特征合成（AFS）和精炼边界优化（RBO）。为了使正常样本的分布更加紧凑，ABL首先通过中心约束学习一个近似的决策边界，这通过特征对齐改进了中心初始化。接着，AFS根据正常特征的超球体分布指导，以更灵活的比例定向合成异常。由于边界较为宽松，可能包含真实异常，RBO通过人工异常和正常特征的二分类进一步优化决策边界。实验结果表明，我们的方法在三个广泛使用的工业数据集上实现了最先进的性能和最快的检测速度，这些数据集包括MVTec AD、VisA和MPDD。代码将在以下地址提供：https://github.com/cqylunlun/PBAS。