色散正则化恢复网络

同时检测与定位异常

该网络通过参数共享的X形结构与色散正则化策略，在不重构异常的前提下高保真恢复正常图像，从而同时提升异常检测与定位的准确性。

Pang, Jingxuan · 李春光

Knowledge-Based Systems 2026

技术优势

避免重构异常

通过参数共享的X形分支联合优化，网络学习从正常和合成异常图像中恢复出正常图像，从而切断异常重构路径。

无异常样本训练

训练仅使用正常样本，异常由合成图像模拟，因此不需要收集真实缺陷数据。

泛化未见输入

色散正则化强制特征在特征空间中分散分布，使解码器能覆盖更广的特征范围，从而对未见输入更鲁棒。

应用场景

• 工业视觉质检：对产品图像输出像素级异常分数，快速筛查外观缺陷。
• 智能制造缺陷检测：无需缺陷样本即可部署，适应制造现场多变的缺陷类型。
• 精密表面检测：精确定位细微表面异常，满足高精度表面质量要求。
• 边缘端异常监控：模型推理开销低，适合在边缘设备上实时监控异常。
• 机器人视觉质检：为机器人视觉系统提供可靠的异常检测与定位，辅助自动分拣或报警。