[论文解读] Diversity-Measurable Anomaly Detection

Wenrui Liu, Hong Chang+3 more|arXiv (Cornell University)|Mar 9, 2023

Anomaly Detection Techniques and Applications被引用 4

一句话总结

本文提出多样性可度量异常检测（DMAD），一种基于重建的框架，通过使用金字塔形形变模块（PDM）将典型正常模式与可度量的形变场解耦，从而提升异常检测性能。通过建模从重建参考图像到原始输入的多尺度形变，DMAD在保持正常变化的重建多样性的同时，准确度量异常严重程度，实现了在监控视频与工业基准数据集上的最先进性能，并对污染数据具有鲁棒性。

ABSTRACT

Reconstruction-based anomaly detection models achieve their purpose by suppressing the generalization ability for anomaly. However, diverse normal patterns are consequently not well reconstructed as well. Although some efforts have been made to alleviate this problem by modeling sample diversity, they suffer from shortcut learning due to undesired transmission of abnormal information. In this paper, to better handle the tradeoff problem, we propose Diversity-Measurable Anomaly Detection (DMAD) framework to enhance reconstruction diversity while avoid the undesired generalization on anomalies. To this end, we design Pyramid Deformation Module (PDM), which models diverse normals and measures the severity of anomaly by estimating multi-scale deformation fields from reconstructed reference to original input. Integrated with an information compression module, PDM essentially decouples deformation from prototypical embedding and makes the final anomaly score more reliable. Experimental results on both surveillance videos and industrial images demonstrate the effectiveness of our method. In addition, DMAD works equally well in front of contaminated data and anomaly-like normal samples.

研究动机与目标

• 为解决无监督异常检测中重建多样化正常模式与检测未知异常之间的权衡问题。
• 克服现有方法中因重建过程中异常信息的非预期传播而导致的捷径学习问题。
• 开发一种可度量的、具备几何感知能力的多样性度量指标，使其与异常严重程度正相关。
• 在不损害异常判别能力的前提下，提升对正常变化的重建保真度。

提出的方法

• 引入金字塔形变模块（PDM），从重建参考图像到原始输入估计多尺度2D形变场，捕捉像素级变换。
• 采用信息压缩模块（ICM）学习紧凑、稀疏的正常模式原型，降低内存占用。
• 将形变估计与原型嵌入解耦，确保异常评分不受异常信息影响。
• 使用前景-背景选择模块提升嵌入紧凑性并减少形变估计中的噪声。
• 应用循环一致性、平滑性和强度约束，防止退化解并确保稳定的形变学习。
• 将PDM与ICM集成，基于重建误差与可度量的形变严重程度联合生成最终异常评分。

实验结果

研究问题

• RQ1 基于形变的多样性度量是否能超越传统重建误差，在基于重建的模型中进一步提升异常检测性能？
• RQ2 模型如何在保持多样化正常模式高重建质量的同时，避免对异常的泛化？
• RQ3 在包含异常样式的正常样本的污染训练数据下，所提方法的鲁棒性如何？
• RQ4 多尺度形变建模对检测与定位性能有何影响？
• RQ5 形变场能否作为异常严重程度的可靠、可度量代理？

主要发现

• DMAD在监控视频（Ped2）与工业图像（MVTec）基准上均达到最先进性能，在检测与定位任务中均优于先前最先进方法。
• 在Ped2数据集上，DMAD在完整PPDM设置下达到99.6%的AUC，显著优于MNAD，后者在污染数据下性能下降3.7%。
• 消融研究显示，移除PDM或记忆模块分别导致AUC下降9.4%与1.8%，证实了形变建模与紧凑表示的重要性。
• 方法对形变约束中的超参数γ₃具有鲁棒性，性能在宽范围内保持稳定，表明优化过程可靠。
• 前景-背景选择与形变约束显著提升了紧凑性并防止了捷径学习，其移除可导致最高1.8%的性能下降。
• 基于PPDM的实现通过反向形变将异常转化为类似正常模式，从而提升定位精度，实现更优的定位性能。