.png){kind=icon}
.png){kind=icon}
返回
DANFlow: Depth-wise Separable Convolution and Attention-based Normalizing Flow
.png){kind=icon}
PRE
AI
DOI：10.3837/tiis.2026.04.019.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
虽然生成式人工智能（GenAI）在异常定位方面具有巨大潜力，但其向安全关键型工业环境的过渡常受限于推理不稳定性、对噪声的敏感性以及高计算需求。本研究通过提出一种名为深度可分离卷积和注意力机制归一化流（DANFlow）的新型归一化流架构来解决这些部署瓶颈。与现有难以满足高速生产线严格延迟要求的生成模型不同，DANFlow专门设计用于实时定位工业异常。我们的架构引入了扩展的反向残差瓶颈（EIRB），一种轻量级模块，在保持计算效率的同时增强特征提取。此外，集成的注意力机制通过优先处理关键缺陷细节并抑制环境噪声来提高模型鲁棒性。我们还对骨干特征选择进行了全面分析，提供了一种优化性能的实用框架。大量实验表明，DANFlow在四个工业基准数据集（MVTecAD、BTAD、KolektorSDD2、VisA）的AUROC和AUPRO指标上取得了最先进的结果。值得注意的是，在MVTecAD上，DANFlow实现了99.09%的AUROC和98.51%的AUPRO，在推理速度（FPS）和参数效率方面显著优于现有方法，使其高度适用于工业异常定位场景。源代码公开可访问于https://github.com/nguyendothanhtruc/DANFlow。
Keyword:
Defect Localization
Generative AI
Manufacturing
Normalizing Flows
One-class Classification