论文精度：异常检测方法INP-Former（Exploring Intrinsic Normal Prototypes within a Single Image for Universal An）

论文地址：https://arxiv.org/pdf/2503.02424

背景与问题定义

在工业质检领域，无监督图像异常检测（AD）技术通过仅学习正常样本的模式，实现对异常区域的高效识别。传统方法（如PatchCore、RD4AD等）依赖于将测试图像与训练集中的正常原型进行比对。然而，这类方法面临两大挑战：

1. ​原型对齐难题：工业产品在外观、角度、位置上的天然差异导致测试图像与预存原型的几何对齐困难。例如，不同摆放角度的坚果会引入无效比对。
2. ​多类别扩展性：现有方法通常需要为每个产品类别单独训练模型，难以应对产线中多品类混检的复杂场景。

研究者们发现了一个关键现象：​即使异常图像中，大部分区域仍然正常。这些"内在正常原型"（INP）与异常区域共享相同的上下文信息，能提供更精准的比对基准。这成为本文突破传统范式的重要洞见。

---

方法创新：INP-Former框架