摘要

在众多计算机视觉任务中，如工业产品缺陷检测，开发能够识别并定位图像中意外或异常结构的机器学习模型具有重要意义。然而，当异常图像样本极少甚至完全缺失时，这一任务极具挑战性。本文提出一种无监督机制——深度特征对应（Deep Feature Correspondence, DFC），该机制仅依赖于无异常样本的先验知识，即可有效实现图像中异常的检测与分割。我们构建的DFC采用非对称双分支网络架构，包含一个通用特征提取网络和一个精细化特征估计网络，通过建模与评估两个分支之间的深层特征对应关系，识别图像中的潜在异常。为进一步提升DFC的鲁棒性并增强检测性能，本文还特别提出两种创新策略：自特征增强（Self-Feature Enhancement, SFE）机制与多上下文残差学习（Multi-Context Residual Learning, MCRL）网络模块。大量实验验证了所提DFC方法以及SFE和MCRL模块的有效性。实验结果表明，该方法在检测并分割图像中局部区域出现的异常（尤其是工业场景中的异常）方面表现优异，显著优于现有技术，在基准数据集MVTec AD上达到了当前最先进的性能水平。此外，在真实工业检测场景中的应用也表明，本方法相较现有对比方法具有显著优势，性能提升明显。