[論文レビュー] Reconstruction from edge image combined with color and gradient difference for industrial surface anomaly detection

Tongkun Liu, Bing Li+4 more|arXiv (Cornell University)|Oct 26, 2022

Anomaly Detection Techniques and Applications被引用数 14

ひとこと要約

この論文では、エッジマップからRGB画像を再構築することで、工業用表面欠陓検出を改善するEdgRecを提案する。ノイズ除去オートエンコーダーにスキップ接続を組み合わせた再構築ベースの手法であり、正常な色と低周波数コンテンツを記憶させながら高周波数エッジを保持することで、新しいカラーレンズ評価関数を組み合わせ、MVTec ADで最先端の性能（検出：97.8% AUROC、局所化：97.7%）を達成した。RGB画像のみを用いて3D-ADでも優れた結果を示した。

ABSTRACT

Reconstruction-based methods are widely explored in industrial visual anomaly detection. Such methods commonly require the model to well reconstruct the normal patterns but fail in the anomalies, and thus the anomalies can be detected by evaluating the reconstruction errors. However, in practice, it's usually difficult to control the generalization boundary of the model. The model with an overly strong generalization capability can even well reconstruct the abnormal regions, making them less distinguishable, while the model with a poor generalization capability can not reconstruct those changeable high-frequency components in the normal regions, which ultimately leads to false positives. To tackle the above issue, we propose a new reconstruction network where we reconstruct the original RGB image from its gray value edges (EdgRec). Specifically, this is achieved by an UNet-type denoising autoencoder with skip connections. The input edge and skip connections can well preserve the high-frequency information in the original image. Meanwhile, the proposed restoration task can force the network to memorize the normal low-frequency and color information. Besides, the denoising design can prevent the model from directly copying the original high-frequent components. To evaluate the anomalies, we further propose a new interpretable hand-crafted evaluation function that considers both the color and gradient differences. Our method achieves competitive results on the challenging benchmark MVTec AD (97.8\% for detection and 97.7\% for localization, AUROC). In addition, we conduct experiments on the MVTec 3D-AD dataset and show convincing results using RGB images only. Our code will be available at https://github.com/liutongkun/EdgRec.

研究の動機と目的

• 再構築ベースの異常検出における過剰一般化と不十分一般化の課題に対処すること。具体的には、モデルが正常な変動に失敗するか、異常をうまく再構築してしまう問題を解決する。
• 高周波数の正常パターンにおける再構築の正確性を向上させ、再構築過程での劣化が原因となる誤検出を低減すること。
• 色と勾配の差を組み合わせた新しい手作業の異常評価関数を設計することで、解釈可能で調整可能な異常評価関数を実現すること。
• 2Dおよび3Dの産業欠陊検出ベンチマークにおいて、RGB画像のみを用いて有効性を示すこと。

提案手法

• エッジマップから元のRGB画像を再構築する、新しいエッジから画像への再構築タスクを提案する。
• スキップ接続を備えたUNetスタイルのノイズ除去オートエンコーダーを用い、高周波成分を保持し、特徴の回復を向上させる。
• DTDテクスチャとCutPaste増幅を用いてマルチスケールの擬似異常を生成することで、アイデンティティマッピングを防ぎ、モデルの耐性を高める。
• 入力エッジに合成異常を付加することで、エッジ特徴を直接コピーするのを回避するノイズ除去設計を採用する。
• 色の差と勾配の差を組み合わせた新しい手作業の異常評価関数（MSGMS）を設計し、検出性能を向上させる。
• ドメイン固有のニーズに応じて各成分の重みを再設定可能にする仕組みを提供することで、モデルの解釈可能性と調整可能性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 エッジマップからの再構築が、再構築ベースの異常検出モデルの一般化境界を改善できるか？
• RQ2 標準的な画像から画像への再構築と比較して、エッジベースの再構築は、微細な異常や高周波数異常を検出する上でどのように優れているか？
• RQ3 手作業のカラーレンズ評価関数は、L2やSSIMといった標準的な指標と比較して、どれほど検出性能を向上させられるか？
• RQ4 提案手法は、RGB画像のみを用いて3D表面欠陊検出に一般化できるか？
• RQ5 異なる擬似異常生成戦略は、モデルの性能と耐性にどのように影響を与えるか？

主な発見

• 提案されたEdgRec手法は、MVTec ADベンチマークで画像レベルの異常検出に97.8%のAUROC、ピクセルレベルの局所化に97.7%のAUROCを達成し、既存の再構築ベース手法を上回った。
• エッジベースの再構築タスクは、標準的な画像から画像へのノイズ除去オートエンコーダー（DeAE）と比較して顕著に性能を向上させた。特に「ケーブル入れ替え」のような色の差に基づく欠陊の検出において顕著だった。
• MSGMSと提案されたカラーベースの評価関数の組み合わせが、最高の性能（97.8% AUROC）を達成し、マルチモーダルな異常スコアリングの有効性を示した。
• 追加の擬似異常を用いなくても、EdgRecは競争力のある結果を達成しており、エッジから画像への再構築設計そのものの内因的利点を示している。
• RGB画像のみを用いてMVTec 3D-ADデータセットにおける3D表面欠陊検出に良好に一般化され、実用的応用への強い可能性を示した。
• アブレーションスタディにより、エッジ再構築タスクとカラーレンズ評価関数の両方が性能に不可欠であることが確認され、各成分が最終結果に顕著な寄与をした。