[论文解读] PNI : Industrial Anomaly Detection using Position and Neighborhood Information

Jaehyeok Bae, Jae-Han Lee+1 more|arXiv (Cornell University)|Nov 22, 2022

Anomaly Detection Techniques and Applications被引用 8

一句话总结

PNI 提出了一种新颖的工业异常检测与定位方法，通过多层感知机基于位置和邻域信息建模正常特征分布的条件概率，同时利用在合成异常数据上训练的独立网络对异常图进行优化。该方法在 MVTec AD 基准测试中实现了最先进性能，异常检测的 AUROC 达到 99.56%，定位任务达到 98.98%。

ABSTRACT

Because anomalous samples cannot be used for training, many anomaly detection and localization methods use pre-trained networks and non-parametric modeling to estimate encoded feature distribution. However, these methods neglect the impact of position and neighborhood information on the distribution of normal features. To overcome this, we propose a new algorithm, extbf{PNI}, which estimates the normal distribution using conditional probability given neighborhood features, modeled with a multi-layer perceptron network. Moreover, position information is utilized by creating a histogram of representative features at each position. Instead of simply resizing the anomaly map, the proposed method employs an additional refine network trained on synthetic anomaly images to better interpolate and account for the shape and edge of the input image. We conducted experiments on the MVTec AD benchmark dataset and achieved state-of-the-art performance, with extbf{99.56\%} and extbf{98.98\%} AUROC scores in anomaly detection and localization, respectively.

研究动机与目标

• 解决现有方法在异常检测过程中忽略正常特征分布中位置与邻域相关性的局限性。
• 通过基于空间上下文和邻近特征建模条件正常特征分布，提升定位精度。
• 通过使用合成数据优化异常图，降低工业检测中的误报率与漏报率。
• 在不依赖真实异常训练样本的前提下，实现高精度缺陷定位。

提出的方法

• 通过在所有训练图像中对每个空间位置的正常特征构建直方图来建模位置信息。
• 使用多层感知机（MLP）捕捉邻域特征依赖关系，将正常特征分布条件化于邻近特征的拼接结果。
• 通过结合邻域建模得到的条件概率与基于位置直方图的分布，计算异常分数。
• 训练一个独立的优化网络，专门用于合成异常图像，以提升异常图的空间保真度，改善边缘与形状的准确性。
• 优化网络不用于特征编码或分数估计，仅在推理后用于优化最终的异常图。
• 该方法可兼容任何基于预训练网络和非参数特征建模的表示方法。

实验结果

研究问题

• RQ1 在正常特征分布建模中引入位置与邻域信息，是否能提升异常检测与定位性能？
• RQ2 对邻近特征建模条件概率，对检测细微结构异常有何影响？
• RQ3 在合成数据上训练的优化网络，能在多大程度上提升异常图的空间精度？
• RQ4 位置与邻域建模的整合是否能降低工业检测中的误报与漏报率？

主要发现

• PNI 在 MVTec AD 基准测试中实现了 99.56% 的异常检测 AUROC 和 98.98% 的定位 AUROC，优于先前的最先进方法。
• 仅引入邻域信息即可将异常检测 AUROC 从 98.92% 提升至 99.44%，错误率降低约 48.1%。
• 位置信息在物体子类别中带来显著提升，但在纹理子类别中提升有限，符合预期。
• 像素级优化将金属螺母子类别中的假阴性率从 10.7%（PatchCore）降至 9.5%，假阳性率从 3.4% 降至 2.0%。
• 在 1,725 张测试图像中，总误分类错误数从 PatchCore 的 42 降至 19，其中误报数为 7（原为 19），假阴性数为 12（原为 23）。
• 在 BTAD 数据集上，PNI 实现了 97.8% 的平均 P-AUROC，优于所有对比的最先进方法在所有产品类别中的表现。