编辑推荐：
在工业制造中，无监督图像异常检测因难收集多样异常样本备受关注。现有反向蒸馏法只能识别单一类型异常。研究人员提出双流程反向蒸馏模型（DFRD）。实验表明其在多个数据集表现出色，为异常检测提供更有效方案。
在工业制造的大舞台上，产品质量检测至关重要。想象一下，流水线上的产品源源不断地生产出来，要是能快速、精准地找出那些存在异常的产品，就能大大提高生产效率和产品质量。然而，现实却给检测工作带来了诸多难题。无监督图像异常检测领域，由于收集各种各样的异常样本难度极大，一直面临着严峻挑战。
早期，人们尝试用生成对抗网络（GAN）、自动编码器（AE）等方法来解决问题。这些方法就像是给异常数据 “整容”，试图把它们变成正常数据，然后通过比较差异来检测异常。但实际操作中，它们很难精准地还原图像细节，而且计算成本高得惊人，在现实工业场景中难以施展拳脚。后来，有人想出数据增强策略，模拟异常样本，可真实异常情况千变万化，模拟和实际之间的差距让这些方法效果大打折扣。还有基于特征嵌入的方法，虽然利用预训练模型能把样本映射到特定特征空间，但维护内存库不仅麻烦，还会拖慢推理速度。
反向蒸馏法的出现，让人们看到了一丝曙光。它借助教师编码器引导学生解码器，在异常检测方面取得了不错的成绩。但它也有短板，只能处理结构异常或逻辑异常其中一种，无法同时兼顾。在实际生产中，这显然不能满足需求。
为了突破这些困境，来自东华大学的研究人员开启了一场创新之旅。他们提出了双流程反向蒸馏模型（DFRD），致力于解决无监督图像异常检测的难题。经过一系列实验，他们发现该模型在多个数据集上表现出色，在极具挑战性的 BTAD 数据集上更是达到了当前最优水平。这一成果意义非凡，为工业制造中的异常检测提供了更强大、更有效的工具，大大提升了异常检测的能力。该研究成果发表在《Digital Signal Processing》杂志上。
研究人员在这项研究中用到了几个关键技术方法。首先是固定预训练的教师编码器（E），用于提取多尺度特征。然后是卷积与自注意力集成瓶颈嵌入（ACBE）、全局上下文嵌入块（GCEB），这两个模块负责提取全局上下文信息，识别逻辑异常。多尺度通道自动编码器（MCAE）则专注于捕捉局部细节信息，检测结构异常。最后，学生解码器（D）对这些信息进行处理，实现对上下文和细节特征的重建。
实验与讨论
研究人员使用了三个异常检测数据集开展实验，详细描述了数据集情况和实验的实施细节。在实验中，他们将 DFRD 与其他先进方法进行对比，结果显示 DFRD 在多个数据集上都展现出了强大的竞争力。在 MVTec 和 MVTec LOCO 数据集上表现优异，在 BTAD 数据集上更是超越其他方法，达到了当前最优水平。
研究人员还对提出的模块进行了消融研究。通过去掉不同模块进行实验，他们发现 ACBE、GCEB 和 MCAE 这三个模块对模型的性能提升都起着关键作用。去掉任何一个模块，模型检测结构异常和逻辑异常的能力都会受到影响，这充分验证了这些模块的有效性。
研究结论与讨论
这项研究成功提出双流程反向蒸馏模型（DFRD），把教师编码器提取的信息流分成全局上下文和局部细节两个子流，分别送入学生解码器中专门设计的解码层。这种巧妙的设计让模型能够同时处理逻辑异常和结构异常，极大地提升了异常检测的整体能力，而且没有大幅增加参数数量。
该研究成果为无监督图像异常检测领域注入了新的活力。DFRD 模型的出现，让工业制造中的异常检测更加精准、高效，能够更好地满足实际生产需求。这不仅有助于提高产品质量，降低生产成本，还为相关领域的进一步研究提供了重要参考，启发更多研究人员探索更先进的异常检测方法，推动该领域不断向前发展。
