用于无监督异常检测的记忆感知网络与真实异常合成

目录

引言

一、 背景与核心挑战

二、 无监督异常检测 (UAD) 的意义与范式转变

三、 研究现状与主流方法

总结与展望

真实异常合成策略

实验验证

结论

三种异常合成策略

1. 形态学变换合成法

2. 上下文感知粘贴法

3. 纹理与结构混合法

策略详细分析与代码实现

---

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。

一、 背景与核心挑战

异常检测（Anomaly Detection），又称离群点检测，是机器学习与计算机视觉中的一项核心任务，其目标是识别与绝大多数“正常”数据显著不同的模式或实例。这些“异常”通常意味着某种问题、缺陷或有趣的事件。

1. 关键应用领域：

• 工业缺陷检测： 在产品生产线（如芯片、纺织品、汽车零部件）上，自动检测产品表面的划痕、凹陷、污点等微小缺陷。

• 医学影像诊断： 在MRI、CT、X光扫描中，辅助医生识别肿瘤、出血、组织病变等异常区域。

• 视频监控与安防： 在监控视频流中，自动检测异常行为，如入侵、打架、跌倒、交通违规等。

• 金融风控： 检测信用卡欺诈、洗钱等异常交易行为。

2. 传统监督学习的困境：
传统的深度学习模型在图像分类、目标检测等领域取得了巨大成功，但其成功严重依赖于大规模、高质量、标注均衡的训练数据。然而，在异常检测场景下，这一前提被彻底颠覆，面临两大根本性挑战：

• 异常数据的稀缺性 (Scarcity)： 异常事件本质上是罕见和偶发的。在工业生产中，良品率通常高达99%以上，收集大量缺陷样本成本极高甚至不可能。在医疗中，阳性病例远少于阴性病例。

• 异常数据的多样性 (Diversity) 与非平稳分布 (Non-stationary Distribution)： “异常”是一个开放集（Open-Set），其形态不可预知。一个工业品可能存在无数种缺陷类型（划痕、裂纹、腐蚀…），且不断有新的缺陷出现。模型无法在训练阶段见到所有可能的异常模式，导致监督学习模型难以泛化，极易过拟合到已见过的少数异常类型上，而对新异常失效。

“我们无法用有限的异常样本，去定义一个无限的异常空间。” 这正是监督学习在异常检测任务中的阿喀琉斯之踵。

二、 无监督异常检测 (UAD) 的意义与范式转变

为了解决上述挑战，研究范式发生了根本性转变：无监督异常检测 (Unsupervised Anomaly Detection, UAD)。

1. 核心思想：
UAD方法仅使用大量“正常”样本进行训练。其基本假设是：正常数据处于一个低维流形或具有某种可建模的分布，而异常则会偏离这个分布。

2. 核心优势与重要意义：

• 解决数据稀缺问题： 完全摆脱了对异常样本的依赖，只需要容易获取的大量正常数据，极大降低了数据收集和标注成本。

• 应对未知异常： 由于模型学习的是“正常”的概念，任何偏离正常模式的数据都可以被判定为异常。这使得模型具备了检测前所未见的异常类型的能力，泛化性更强。