摘要

视觉异常检测旨在对图像中偏离正常外观的区域进行分类或定位。一种流行的方法是在无异常图像上训练自编码器，并通过计算输入图像与重建图像之间的差异来实现异常检测。该方法假设自编码器无法准确重建异常区域。然而在实际应用中，神经网络即使面对异常样本也具有良好的泛化能力，能够较为充分地重建异常区域，从而削弱了检测性能。若异常像素未被自编码器在训练过程中可见，则其准确重建的可能性将显著降低。为此，我们提出将异常检测建模为一种自监督的基于修复（inpainting）的重建问题。我们提出的RIAD方法随机移除图像的部分区域，并基于部分修复信息重建整张图像，从而克服了传统自编码器方法的局限性。RIAD在多个基准数据集上进行了广泛评估，并在近期一个极具挑战性的异常检测基准上取得了新的最先进（state-of-the-art）性能。