基于多源不确定性挖掘的半监督学习增强无监督统一异常检测

本文提出MUM-UAD框架，通过多源不确定性挖掘网络（MUMNet）和异常分割网络（ASNet）两个即插即用模块，利用少量无标签样本提升基于重建的无监督异常检测模型性能。该半监督学习策略能自适应筛选可靠伪标签，在统一决策边界下实现高精度异常定位，为工业视觉检测提供了新思路。

　　

亮点

• •
  我们提出一种半监督学习策略，旨在统一决策边界下，通过利用少量无标签样本，显著提升基于重建的无监督异常检测模型性能。具体而言，该策略可应用于任何特征重建模型或像素重建模型。
• •
  我们引入两个即插即用模块：多源不确定性挖掘网络（MUMNet）和异常分割网络（ASNet）。MUMNet通过融入交叉注意力机制，促进训练期间与ASNet的逐层交互。这使得ASNet能更好地关注图像的全局特征和异常的局部特征，从而在统一决策边界下实现更精确的定位。
• •
  我们利用不确定性加权损失函数，并在贝叶斯框架内将模型伪标签建模为吉布斯分布。通过采用此损失函数，我们可以联合训练两个网络，并使ASNet能够在统一决策边界条件下执行异常检测。
• •
  我们在MVTec AD数据集上进行了全面实验，证明我们的方法能在统一决策边界下显著提升检测性能。值得注意的是，即使不依赖其他模型的伪标签，自启发方法仍能显著改善检测性能。此外，我们的方法为无监督模型应用于半监督学习范式提供了新颖视角。

基于重建的方法

基于重建的模型，仅使用正常样本进行训练，能有效重建正常区域但无法重建异常区域。随后通过计算重建图像与原始图像之间的差异来检测异常。

经典方法如自动编码器（Autoencoders, AEs）和生成对抗网络（Generative Adversarial Networks, GANs）通常采用L2损失或结构相似性（Structural Similarity, SSIM）作为重建约束。UTRAD引入了分层多尺度...

方法

MUM-UAD的主要目标是在缺乏真实异常标签的情况下，实现异常检测网络的高精度学习。如图2(a)所示，所提出的框架包含一个基础模型、一个MUMNet和一个ASNet。基础模型从生产环境中的无监督学习阶段保留下来，用于生成未见形式的异常中的有偏差异。此外，通过融入交叉注意力机制，MUMNet提升了...

数据集和指标

数据集

我们在三个工业异常检测数据集上评估我们的方法：MVTec AD、BTAD和VisA。MVTec AD包含15个对象类别，而BTAD包含3种工业产品类型。VisA更为复杂，包含12个按对象属性分类的子集：复杂结构、多实例和单实例。对于每个异常测试样本，其真实值包括图像级标签和像素级异常分割。

由于所有三个数据集...

结论

在本研究中，我们提出了一种名为MUM-UAD的半监督学习策略，通过在统一决策边界下利用有限的未标记样本来增强无监督异常检测模型。MUM-UAD利用多源不确定性挖掘来分析无监督异常检测模型各种结果之间的共性和差异，从而增强ASNet的感知能力。我们还在联合训练过程中引入了不确定性加权损失...