Manifold-Constrained Dynamic Decoupling Learning for Unsupervised Multiclass Anomaly Detection

Shuang Qiu

doi:10.1109/TIM.2025.3602566

Manifold-Constrained Dynamic Decoupling Learning for Unsupervised Multiclass Anomaly Detection

2025-01-01

0

PRE

AI

DOI：10.1109/TIM.2025.3602566

原文链接

原文求助

摘要

En 中文

当前无监督多类别异常检测方法旨在构建适用于工业应用的统一模型，但面临着泛化能力与定位精度之间的关键困境。现有使用固定编码器的方法在重建过程中存在异常特征污染的风险，而自适应编码器则通过单类过拟合牺牲了跨类别泛化能力。为解决这一根本矛盾，我们提出流形约束动态解耦（MCDD）学习，用于无监督多类别异常检测，通过冻结编码器的多尺度特征精炼和可学习解码器的鲁棒重建，对正常特征流形实现双重约束。具体而言，我们首先提出跨层次注意力瓶颈（CHAB）模块，采用通道-空间双域注意力门控过滤浅层纹理特征和深层结构特征，构建混合尺度正常基特征。此外，噪声增强特征扩展（NAFE）模块通过注意力机制定位关键编码器区域，并在解码器上采样过程中注入可学习高斯噪声，迫使重建聚焦于关键正常属性。同时，我们构建混合感知推理解码器（HPR-Decoder），整合Visual Mamba的长距离依赖建模与图注意力卷积的局部相关性推理，实现像素级异常图的精细生成。在MVTec AD和VisA数据集上的实验表明，我们的方法在保持模型参数合理范围的同时，以单模型实现了优越的多类别检测性能。

Keyword:

Feature reconstruction

industrial visual inspection

manifold constrained

multiclass

unsupervised anomaly detection (UAD)

Manifold-Constrained Dynamic Decoupling Learning for Unsupervised Multiclass Anomaly Detection

摘要

期刊

机构

引用论文