基于双层级异常合成网络的液晶显示器弱缺陷检测方法研究

本文提出DLAS-Net（Dual-level Anomaly Synthesis Network），通过图像级形态多样化异常合成与特征级精细化异常生成策略，显著提升液晶显示器（LCD）弱异常（如低对比度、小尺寸缺陷）的检测能力。该方法在自建数据集AnoLCD上达到99.4%图像级AUROC和98.6%像素级AUROC，优于十种前沿模型，并在MVTec-tex与MAD-sys数据集上验证了其跨领域泛化性。

　　

研究亮点（Highlight）

我们构建了一个包含正常与异常样本的真实液晶显示器（LCD）数据集，其测试集涵盖大量具有挑战性的弱异常，为异常检测提供了新基准。该数据集将公开在线发布¹。

我们提出了一种用于LCD异常检测的双层级异常合成框架（DLAS-Net），通过图像级与特征级的异常合成辅助模型学习，显著增强弱异常检测能力。

图像级的形态多样化生成涵盖从简单到复杂形态的多尺度异常，模拟真实工业缺陷场景；特征级异常合成通过精细化扰动生成接近正常特征分布但仍具判别性的微弱异常，专门针对弱异常检测敏感度提升。

我们在AnoLCD、MVTec-tex和MAD-sys数据集上验证了方法的先进性与泛化性，并进行了大量消融实验以深入理解模型机制。

结论（Conclusion）

本文提出了一种在无缺陷样本学习条件下进行液晶显示器异常检测的自监督学习方法。该方法有效解决了小而低对比度缺陷等弱异常检测的难题。通过构建形态多样的异常掩膜并在特征空间实施细粒度扰动机制，我们显著提升了模型对微弱异常的感知能力与判别性能。