비지도 학습은 현재 산업 제품 결함 검사 분야에서 주류 연구 방향으로, 주로 재구성 기반 방법과 특징 기반 방법 두 가지로 나뉩니다. 전자는 내용 인식 매핑을 구축하여 이상 영역을 정상 영역으로 변환하고 잔여 이미지로 결함을 감지하며 이미지 전체 표현에 중점을 둡니다. 후자는 고차원 의미 특징을 이용해 이상을 위치 지정하며 이미지 세부 표현에 더욱 중점을 둡니다. 두 방법의 장단점에 따라 본 논문에서는 특징과 재구성을 융합한 방법을 제안하여 양쪽의 장점을 효과적으로 결합하고 단점을 보완하며 통합된 엔드투엔드 학습 및 추론을 실현합니다. 먼저 재구성 모델을 훈련한 후, 정규화 흐름 모델을 사용해 입력 정상 샘플의 고확률 데이터 확률 분포를 충분히 학습하여 재구성 모델과 융합함으로써 재구성 모델의 결함 검출 및 위치 지정 정확도를 효과적으로 향상시킵니다. 널리 사용되는 MVTec AD 데이터셋에서 제안한 융합 모델은 평균 이미지 수준 AUROC 98.7%, 평균 픽셀 수준 AUROC 94.2%를 달성했으며, 특히 단일 재구성 모델 대비 3.3% 향상되었습니다. 제안한 특징 및 재구성 네트워크 융합 모델은 재구성 네트워크 부분의 결함 위치 지정 부족을 크게 개선하여 결과를 더욱 정밀하게 만들었습니다.

이상 검출;재구성;메모리 모듈;흐름 모델;융합 알고리즘