研究背景

自监督特征重构方法在工业图像异常检测和定位方面取得了可喜的进展。尽管如此，这些方法在合成真实和多样化的异常样本，以及解决预训练特征的特征冗余和预训练偏差方面仍然面临挑战。由于缺乏可用的异常图像和关于异常类别的先验知识，现有方法依赖于精心设计的数据增强策略或外部数据进行异常合成，导致合成异常与真实异常之间存在显著的分布差异，从而限制了异常检测模型在真实应用中的泛化能力。

创新点

生成更贴近真实的异常

1.提出了强度可控的扩散异常合成( SDAS )，一种基于扩散过程的合成策略，能够生成具有不同异常强度的样本，以模拟真实异常样本的分布

2.开发了异常感知特征选择( Anomaly-aware Features Selection，AFS )，一种选择具有代表性和判别性的预训练特征子集的方法，以在控制计算成本的同时提高异常检测性能

3.引入重构残差选择( Reconstruction Residuals Selection，RRS )，一种自适应地选择判别残差的策略，用于在多个粒度级别上综合识别异常区域

4.提出了一种特征重构网络RealNet，通过自适应地选择预训练特征和重构残差，有效地利用多尺度预训练特征进行异常检测。Real Net在解决以往方法所受计算成本限制的同时，实现了最先进的性能。

核心思路

强度可控的扩散异常合成（SDAS）

SDAS采用DDPM 对正常样本的分布进行建模，并在抽样过程中引入扰动项，以在低概率密度区域生成样本

1.预训练一个DDPM扩散模型学习正常图像分布

2.引入扰动s，生成异常图像p（异常图像通常分布在正常图像的低密度区）

3.通过柏林噪声生成器捕获异常并二值化为异常掩码

4.图像融合成局部异常图像A

异常感知特征选择模块（AFS）

1. 减少特征冗余：选择具有代表性的特征，避免重复信息。
2. 增强判别能力：提高特征的代表性和判别性，提升异常检测性能。
3. 控制计算成本：通过选择合适的特征维度，优化计算资源的使用。

流程：

AFS 通过以下步骤实现高效的特征选择：

定义三元组集合：异常图像、正常图像和异常掩膜。

提取预训练特征：从预训练网络的每一层提取特征。

计算特征差异：计算异常图像和正常图像之间的特征差异。

归一化和对齐：将差异归一化并对齐到异常掩膜的分辨率。

计算 AFS 损失：评估每个特征图的效果。

选择特征图：选择具有最小 AFS 损失的特征图用于重建。

多尺度特征选择：在不同层次上执行特征选择，获得多尺度特征。

通过这些步骤，AFS 有效地选择出最具代表性和判别性的特征，提升了异常检测的性能，同时优化了计算成本。

重建残差选择（RRS）

RRS 模块的目的是通过选择包含最多异常信息的重建残差来生成异常得分，从而有效地检测异常区域

网络架构