CVPR2025|免训练的工业缺陷检测 SUPERAD

SUPERAD方法的核心思想是对于数据集中的每个类别，构建一个包含16张正常参考图像的记忆库。这些参考图像的选择遵循两步程序。首先使用DINOv2模型从所有训练图像中提取CLS token表示。然后，应用与Patchcore相同的贪心核心选择方法，将这些特征向量分组为16个集群。这种策略在保持所有特征分布不变的情况下，最大限度地提高了类别内不同正常模式覆盖率，从而增强了参考集的代表性，并减少了误报率。

推理测试阶段

对于每个测试图像，首先使用DINOv2模型提取多层次特征。对于每个特征级别，计算测试图像特征与存储在记忆库中的特征之间的相似度，以检索最近的邻居信息。SUPERAD方法基于以下假设：测试图像中的正常区域倾向于在参考图像中找到相似的区域，而异常区域则缺乏这种匹配。通过评估每个空间位置的相似性，为每个级别生成一个异常映射。最后，这些异常映射被平均并上采样到原始分辨率，以生成最终的异常分割图。

方法训练与数据集评估

SUPERAD方法不需要训练。对于MVTec AD 2数据集中的每个类别，我们使用训练集中的样本构建少量正常参考图像的特征记忆库。参考样本的数量固定为16。我们采用预训练的DINOv2 ViT-L-14模型作为特征提取器，该模型包含24层变压器和约3亿个参数。从四个特定的层次中提取特征（6、12、18、24）生成最终的异常分割Map。最终在英伟达3090 24G硬件可以直接运行。实验结果对比：

论文地址

https://arxiv.org/pdf/2505.19750

学习OpenVINO2025

大模型部署开发