Abnormal Discrepancy-Guided Knowledge Distillation for Image Anomaly Detection

Zhenjun Yu

doi:10.3390/jimaging12070291

Abnormal Discrepancy-Guided Knowledge Distillation for Image Anomaly Detection

2026-07-02

0

OA

AI

DOI：10.3390/jimaging12070291

原文链接

原文求助

摘要

En 中文

知识蒸馏是图像异常检测的基石，通过教师-学生差异放大细微缺陷，但现有方法依赖特征对齐损失，导致重建误差混淆并降低准确率。为解决这一关键限制，本研究提出了一种异常差异引导的知识蒸馏方法（DiffKD），通过通道级差异掩码差异化指导学生特征重建，利用正常特征作为监督信号、异常差异特征作为约束来增强异常检测性能。该方法整合了用于特征重建的知识蒸馏网络和用于异常定位的分割网络，同时利用先验异常样本和合成异常样本提供实时训练数据。在SUT-Crack和MVTec AD基准上的广泛评估验证了该方法的有效性和泛化性。在MVTec AD上，该方法达到80.7%的平均精度（AP）和81.9%实例级平均精度（IAP），在与相同协议下评估的代表性方法相比表现出竞争力。这些结果不仅显著提升了IAD准确率，还凸显了其在实际应用中实现实时、自动化异常检测的潜力。

Keyword:

knowledge distillation

image anomaly detection

anomaly segmentation

Abnormal Discrepancy-Guided Knowledge Distillation for Image Anomaly Detection

摘要

期刊

机构

引用论文