arXiv Computer Vision· Jaeho Cho, Jinsik Bang, Taehwan Kim·· 13 小时前AI 评分31
EPAR：面向多模态工业异常检测的嵌入预测自适应与细化方法
Embedding Predictive Adaptation and Refinement for Multi-Modal Industrial Anomaly Detection
AI 导读
EPAR 通过预测掩码区域嵌入并加入 patch 级 VIC 正则来适配编码器，缓解域差导致的正常与异常特征区分不足。其噪声抑制网络学习 patch 特征与最近正常原型的关系差异来细化粗粒度异常图，在少样本设置下表现突出。在 MVTec 3D-AD 和 Eyecandies 上，AUPRO@1% 分别提升 +1.8% 和 +1.9%。
推荐理由模型分析
EPAR 针对多模态工业异常检测中冻结编码器域差导致判别不足、以及 patch 级距离插值图偏粗两个瓶颈，用掩码嵌入预测加 VIC 正则适配编码器，再用噪声抑制网络学习 patch 与最近正常原型的关系差异来细化异常图。在 MVTec 3D-AD 和 Eyecandies 上 AUPRO@1% 分别提升 1.8% 和 1.9%，并强调少样本场景。做 3D 异常检测与缺陷定位的研究者可据此比较记忆库类方法的基线，但提升幅度与合成异常训练的有效性仍需在真实产线缺陷上验证。
来源：arXiv Computer Vision · arxiv.org