用于无监督异常检测的记忆感知网络与真实异常合成

引言

异常检测在工业缺陷检测、医学诊断和视频监控等领域具有重要应用。然而，异常样本的收集面临稀缺性和多样性挑战，传统监督方法难以应对异常数据的非平稳分布。无监督异常检测（UAD）方法仅使用正常数据训练模型

从有限正常样本中提取的特征作为记忆信息，通过比较输入图像与记忆信息之间的差异，绕过了低效的图像重建过程。这种方法不仅节省了计算资源，还通过直接对比输入图像与存储的正常模式，提高了异常检测的准确性。

真实异常合成策略

为解决数据不平衡问题，引入了三种新颖的真实异常合成策略：这些策略基于现有异常模式的形态学约束，生成逼真且多样的伪异常样本。通过将这些合成异常纳入训练过程，模型能够更好地分辨正常样本和异常样本，提升检测性能。

实验验证

在数据集上的广泛实验表明，在各种实际工业应用中具有出色的有效性和通用性。检测和定位方面均取得了高精度，较现有的无监督方法有显著提升。结果验证了能够有效捕捉正常样本和异常样本之间的潜在差异，并提高合成异常的真实性和多样性。

结论

综上所述，通过结合记忆感知网络与真实异常合成，为无监督异常检测提供了一种创新方法。记忆感知特征匹配机制协同工作，提高了异常检测的准确性和效率。真实异常合成策略进一步增强了模型对未知异常的泛化能力。多个数据集上的卓越性能凸显了其在工业缺陷检测及其他相关领域的实际应用潜力。