摘要
在工业检测中，细微缺陷往往表现为外观或几何形状的局部变化，这使得可靠的异常检测变得十分困难。单一的感知方式可能会遗漏重要的缺陷特征，而多模态检测则通过结合外观信息和几何信息，更全面地呈现工业物体特征。现有的许多多模态异常检测方法采用早期融合策略，在网络早期阶段就整合各种特征。这种过早的整合会削弱各模态特有的异常响应，导致异常信号被平滑处理，进而降低检测和定位的性能。为了解决这些问题，我们提出了一种基于重建的无监督多模态异常检测框架，该框架融合了差异引导的互补融合算法和噪声转特征算法。具体而言，差异引导的互补融合算法通过利用跨模态差异来提取互补信息，而非直接对不同模态的特征进行求和或拼接，从而减少异常信号的平滑效应。此外，噪声转特征算法会在特征空间中注入高斯噪声，以规范特征重建过程，促使解码器学习出更为稳定的正常状态特征。在MVTec 3D-AD和Eyecandies数据集上的实验结果表明，所提出的方法具有很好的效果。在该数据集上，该方法的分别实现了97.3%的I-AUROC值、99.6%的P-AUROC值和97.6%的AUPRO值；而在Eyecandies数据集上，则分别达到了94.8%的I-AUROC值、98.6%的P-AUROC值和93.4%的AUPRO值。
