基于异常差异引导的图像异常检测知识蒸馏方法

《Journal of Imaging》：Abnormal Discrepancy-Guided Knowledge Distillation for Image Anomaly Detection

　　

摘要

知识蒸馏是图像异常检测领域的核心技术，它通过教师模型与学生模型之间的差异来放大细微缺陷，但目前的方法依赖于特征对齐损失，这会导致重建误差，进而降低检测精度。为解决这一关键问题，本研究提出了一种基于异常差异引导的知识蒸馏方法（DiffKD），该方法通过通道级差异掩码来差异化地引导学生模型的特征重建，同时利用正常特征作为监督信号，异常差异特征作为约束条件，从而提升异常检测性能。该方案将用于特征重建的知识蒸馏网络与用于异常定位的分割网络相结合，并利用现有的异常样本和合成异常样本为系统提供实时的异常样本训练数据。在SUT-Crack和MVTec AD基准测试上的大量实验验证了该方法的有效性与泛化能力。在MVTec AD测试中，该方法的平均精度达到80.7%，实例级平均精度达到81.9%，其性能可与相同评估标准下的其他主流方法相媲美。这些结果不仅显示出该方法在IAD精度方面的显著提升，还表明其在实际应用中实现实时自动异常检测具有巨大潜力。