[论文解读] Deep Learning for Unsupervised Anomaly Localization in Industrial Images: A Survey

Tao Xian, Xinyi Gong+3 more|arXiv (Cornell University)|Jul 21, 2022

Anomaly Detection Techniques and Applications被引用 11

一句话总结

本综述全面回顾了基于深度学习的工业图像无监督异常定位方法，分析了超过120篇文献，涵盖概念、挑战、分类法、数据集和性能基准。它识别出关键趋势，评估了最先进技术，并为无需依赖标注缺陷数据的工业视觉系统中的缺陷检测指明了未来研究方向。

ABSTRACT

Currently, deep learning-based visual inspection has been highly successful with the help of supervised learning methods. However, in real industrial scenarios, the scarcity of defect samples, the cost of annotation, and the lack of a priori knowledge of defects may render supervised-based methods ineffective. In recent years, unsupervised anomaly localization algorithms have become more widely used in industrial inspection tasks. This paper aims to help researchers in this field by comprehensively surveying recent achievements in unsupervised anomaly localization in industrial images using deep learning. The survey reviews more than 120 significant publications covering different aspects of anomaly localization, mainly covering various concepts, challenges, taxonomies, benchmark datasets, and quantitative performance comparisons of the methods reviewed. In reviewing the achievements to date, this paper provides detailed predictions and analysis of several future research directions. This review provides detailed technical information for researchers interested in industrial anomaly localization and who wish to apply it to the localization of anomalies in other fields.

研究动机与目标

• 通过回顾工业图像中无监督深度学习的异常定位方法，解决工业环境中缺陷标注有限的挑战。
• 为工业图像分析中的无监督异常定位方法提供结构化的分类法。
• 利用标准化基准数据集，评估并比较各种无监督方法的性能。
• 识别无监督工业异常检测中的开放性挑战和新兴研究方向。
• 支持研究人员将这些方法应用于工业检测以外的其他领域。

提出的方法

• 对超过120篇关于工业图像无监督异常定位的重要文献进行系统性文献回顾。
• 根据核心学习范式（如基于重建的方法、生成建模和自监督表示学习）对方法进行分类。
• 分析包括 MVTec AD、MVTec-3D 等在内的基准数据集，用于评估异常定位性能。
• 使用标准指标（如 AU-ROC 和 F1-score）在缺陷定位任务上对最先进模型进行定量比较。
• 识别近期研究中采用的方法论趋势、网络架构选择和数据增强策略。
• 综合分析模型泛化能力、鲁棒性以及在工业环境中实际部署的考量因素。

实验结果

研究问题

• RQ1 在工业图像无监督深度学习异常定位中，主导的方法类别是什么？
• RQ2 不同无监督方法在标准基准数据集上的定位准确率表现如何？
• RQ3 将无监督异常定位应用于实际工业检测系统时面临哪些关键挑战？
• RQ4 基于当前局限性，该领域最具前景的未来研究方向是什么？
• RQ5 架构设计选择和训练策略如何影响无监督异常定位模型的性能？

主要发现

• 基于重建的方法，特别是结合对抗性或注意力机制的自编码器，已在 MVTec AD 等标准基准上取得优异表现。
• 自监督和对比学习方法通过在无需任何异常标注的情况下学习判别性特征，展现出日益增长的潜力。
• MVTec AD 数据集仍是使用最广泛的标准基准，最先进模型在纹理和物体类别上的 AU-ROC 分数已超过 95%。
• 异常定位性能在不同缺陷类型间差异显著，细粒度缺陷和小尺寸异常更具挑战性。
• 端到端可训练模型的趋势日益明显，这些模型可联合优化特征学习与异常检测。
• 尽管已取得进展，但对未见缺陷类型的泛化能力以及在分布偏移下的鲁棒性仍是关键开放挑战。