无监督深度特征对应用于图像异常检测和分割

机器学习模型能够检测和定位图像中意外或异常的结构，对于许多计算机视觉任务非常重要，比如制造产品的缺陷检查。然而，当可用的异常图像样本很少甚至没有时，这也是具有挑战性的。本文提出了一个无监督机制，即深度特征对应 (DFC)，仅凭借来自无异常样本的先验知识，可以有效地检测和分割出图像中的异常。我们在一个不对称的双网络框架中开发了 DFC，包括通用特征提取网络和精细特征估计网络，并通过对双网络分支之间的深度特征对应进行建模和评估，检测出图像中可能的异常。此外，为了提高 DFC 的鲁棒性并进一步提高检测性能，我们特别提出了自我特征增强 (SFE) 策略和多上下文残余学习 (MCRL) 网络模块。大量实验证明了我们 DFC、SFE 和 MCRL 的有效性。我们的方法非常有效地检测和分割出出现在图像局部区域中的异常，特别是工业异常。它提高了基准数据集 MVTec AD 的最新技术表现。此外，在应用于实际工业检查场景时，其性能远远优于其他比较方法。