教師なし学習は現在、産業製品の欠陥検出分野における主流の研究方向であり、主に再構成に基づく方法と特徴に基づく方法の2種類に分類されます。前者は内容を認識したマッピングを構築し、異常領域を正常領域にマッピングして残差画像を通じて欠陥を検出し、画像全体の表現に重点を置いています。後者は高次の意味特徴を利用して異常を位置特定し、画像の細部表現により重点を置いています。両者の利点と欠点に基づき、本稿では特徴と再構成を融合した方法を提案し、双方の利点を効果的に組み合わせて欠点を補い、統一的なエンドツーエンドの学習と推論を実現しました。まず再構成モデルを訓練し、その後正規化フローモデルを用いて入力された正常サンプルの高確率データの確率分布を十分に学習し、再構成モデルと融合させることで再構成モデルの欠陥検出および欠陥位置特定の精度を効果的に向上させました。広く使用されているMVTec ADデータセットにおいて、提案する融合モデルの平均画像レベルAUROCは98.7％、平均ピクセルレベルAUROCは94.2％に達し、特に単一の再構成モデルと比べて3.3％の向上を示しました。提案する特徴と再構成ネットワーク融合モデルは、再構成ネットワーク部分の欠陥位置特定の不足を大幅に改善し、結果をより正確なものにしました。

異常検知;再構成;メモリモジュール;フローモデル;融合アルゴリズム