Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection
Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection
早期的多模态异常检测方法，大多利用在大规模数据额数据集上预训练的模型，用于构建特征数据库，但是，如果直接使用这些预先训练的模型不是最佳的，他可能无法检测到细微的缺陷，或者将异常特征误认为正常特征。
针对上述问题，论文呢提出了一个局部到全局的自监督特征自适应（LSFA）方法来微调适配器和学习面向任务的表示异常检测。LSFA从局部到全局的角度优化了模态内自适应和跨模态对齐，以确保推理阶段的表示质量和一致性。
二维异常检测方法大致分为两类：基于重构的方法和基于特征嵌入的方法。。前者利用仅用正常特征训练的生成器不能成功重建异常特征的特性。而后者的目标是通过一个训练有素的特征提取器来模拟正态样本的分布，并在推理阶段，分布外的样本被视为异常。
最先进的基于嵌入的方法PatchCore 为例，当与手工制作的3D表示（FPFH ）相结合时，它会产生强大的多模态异常检测基线，PatchCore+FPFH基线显示出两个缺点，首先，由于预先训练的知识与工业场景之间存在很大的差异，它容易将异常区域误认为正常区域（见图1中的左部分）。其次，当涉及到具有更复杂纹理的类别时，它有时无法识别小的异常模式，如图1中的右侧部分所示
为了解决上述问题，论文采用特征自适应策略来进一步增强预训练模型的能力，并学习面向任务的特征描述符。以更好地将预训练的知识转移到下游异常检测任务。
LSFA从两个角度进行调整：模态内和跨模态。前一种适应引入了模态内特征紧凑性（IFC）优化，其中多粒度存储库被应用于学习正态特征的紧凑分布。对于后者，跨模态局部到全局一致性（CLC）的目的是在补丁级和对象级对齐来自不同模态的特征。论文利用LSFA的微调特征来构建内存库，并通过计算特征差异来确定正常和异常。
