基于机制驱动异常样本生成的多尺度记忆融合网络在工业异常检测中的创新应用

本文提出MMFNet（多尺度记忆融合网络），通过机制驱动的异常样本生成策略（EASS）和分层记忆库结构，有效解决工业缺陷检测中的数据不平衡、小缺陷难识别等问题。在MVTec AD数据集上图像级AUROC达99.7%，参数仅16.18MB，满足工业实时检测需求。

　　

方法

本节介绍如图2所示的MMFNet架构。训练阶段，模型首先通过预训练特征提取器从正常样本中提取多尺度特征并存储于记忆库。同时，增强异常模拟策略（EASS，第3.1节）对正常图像进行处理生成模拟异常图像。输入图像经特征提取器后，低级特征通过分组多上下文注意力机制增强细节感知能力，高级特征则通过级联注意力特征融合模块（CAFF）实现跨尺度特征自适应融合。记忆库采用注意力引导的双分支分层结构，分别捕获局部细节和全局语义信息。优化过程采用自适应多目标损失函数，动态平衡像素级监督、语义对比和结构一致性损失的权重。

数据集与评估指标

数据集：我们在三个工业异常检测基准数据集上评估方法：MVTec AD（包含15类工业产品的5354张图像）、MPDD（机械零件数据集）和BTAD。MVTec AD训练集含3629张正常样本，测试集包含467张正常样本和1258张异常样本，涵盖纹理和物体类别以全面评估模型场景适应性。

评估指标：采用图像级AUROC（异常接收者操作特征曲线下面积）和像素级AUROC作为核心指标，同时参考推理速度（FPS）与模型参数量评估实用性。

结论与讨论

本文通过提出多尺度记忆融合网络（MMFNet），解决了工业缺陷检测中的数据不平衡、小缺陷检测难题及多尺度特征融合效率低等问题。结合分层记忆库结构、分组多上下文注意力模块、级联注意力特征融合模块及机制驱动的模拟缺陷样本策略，MMFNet在MVTec AD上实现99.7%图像级AUROC和98.9%像素级AUROC，显著优于同类最优方法。