SimpleNet: A Simple Network for Image Anomaly Detection and Localization

论文主要内容

本文提出了一个名为 SimpleNet 的简单高效的网络，用于无监督图像异常检测和定位。SimpleNet 在性能和推理速度上均超越了当前最先进的方法，成为连接学术研究与工业应用的桥梁。

三种异常检测的思路

1. 基于重建误差的方法（Reconstruction-based Methods）

• 思路：通过深度网络（如自编码器）重建正常数据，利用像素级重建误差作为异常评分。异常区域重建差异较大，因此可检测异常。
• 缺点：
  • 如果解码器性能过强，可能重建异常区域，导致误检。
  • 对具有类似纹理或边缘的异常区域表现较差。(细节方面)

2. 基于合成样本的方法（Synthesizing-based Methods）

• 思路：通过在正常样本上合成异常样本并训练分类器，划分正常和异常样本分布。
• 缺点：
  • 合成样本往往与真实异常差距较大。
  • 异常样本的情况太多，合成所有可能的异常样本几乎不可能。

3. 基于特征嵌入的方法（Embedding-based Methods）

• 思路：利用预训练的 CNN 提取特征并嵌入到高维分布中，通过比较特征分布差异来检测异常。
• 缺点：
  • 工业图像与预训练模型的分布差异会导致特征偏差。
  • 统计算法（如多元高斯分布）计算复杂，存储消耗大。

---

SimpleNet

1. 特征提取器（Feature Extractor）

• 基于预训练网络（如 WideResNet50）提取本地特征，避免从零开始训练。
• 输出图像中各位置的局部特征。

2. 特征适配器（Feature Adaptor）

• 解决特征嵌入方法分布不一致的问题
• 将预训练的特征调整为目标领域的特征，减少领域偏差。
• 通常使用简单的全连接层实现。
  

3. 异常特征生成器（Anomalous Feature Generator）

• 比合成异常样本的方法更具有鲁棒性
• 在训练阶段，通过向正常特征添加高斯噪声生成异常特征。
• 保证异常特征分布与正常特征分布在嵌入空间中明显分离。

4. 判别器（Discriminator）

• 作为正常性评分器，区分正常与异常特征。
• 简单的两层多层感知机（MLP），提高计算效率。
  

损失函数

SimpleNet 的训练目标通过一个截断的 $L_1$ 损失函数实现：

$$l_{h,}$$