[AAAI2024]AnomalyGPT Detecting Industrial Anomalies Using Large Vision-Language Models
本篇论文将大语言模型应用在工业异常检测（Industrial Anomaly Detection，IAD）任务。
引言
IAD任务旨在检测和定位工业产品图像中的异常。由于现实世界样本的稀有性和不可预测性，要求模型仅在正常样本上进行训练，并实现对测试时异常样本的检测。
如图1，现有的IAD方法给出异常样本的概率，但需要手动设置阈值。大视觉语言模型（Large Vision-Language Models，LVLMs）能够过给出（有时不能给出）图片的描述，但不能实现异常检测。因此本篇文章将大语言模型应用在IAD任务中，提出AnomalyGPT模型（但实际上本文于GPT模型无关）。
相关工作
先用的IAD任务方法可分为两类
基于重建的方法 reconstruction-based
基于重建的目的是将异常样本重建为相应的正常样本，并通过计算重建误差来检测异常，使用的网络架构包括但不限于：自动编码器和，GAN，Transformer和扩散模型。
基于特征嵌入的方法 feature embedding-based
- 例如PatchSVDD（Yi and Yoon 2020）的方法通过建立包裹正常样本的超球面（hypersphere）。
- PyramidFlow（Lei et al. 2023）使用正则化流将正常样本投影到高斯分布上。
- CFA（Lee, Lee, and Song 2022）建立正常样本patch的embedding，比较测试样本的embedding与正常样本的距离，实现异常检测。
然而，上述方法学习到的类是固定的，不能识别新的类，这在实际的生产环境中并不适用。
对于大模型的使用，作者考虑了两个问题
数据稀缺性
LLaVA（Liu et al. 2023）和PandaGPT（Su et al. 2023）等方法在 16 万张图像上进行了预训练，并配有相应的多轮对话。IAD 数据集仅包含几千个样本，因此直接微调很容易导致过度拟合和灾难性遗忘。
针对这点，作者在框架中加入了额外的可学习prompt embedding层，而不是直接微调参数模型。
细粒度语义
大语言模型对于具有判别性的细粒度语义学习不充分。
针对这点，作者引入了轻量级视觉-文本对齐解码器，去生成像素级别的异常定位。
方法
图像特征处理
作者考虑两种IAD任务设置：无监督和few-shot。中间公共的部分：输入样本\(x\in\mathbb{R}^{W\times H\times C}\)，被Image Encoder提取的\(C_1\)维度的特征\(F_{img}\in\mathbb{R}^{C_1}\)，经过线性层投影后的特征为 \(E_{img}\in\mathbb{R}^{C_{emb}}\)
无监督设置下，输入图片没有标签，但会提供两条文本，例如：“A photo of a normal bottle. A photo of an abnormal capsule.” 两条文本经过预训练的Text Encoder后得到特征\(F_{text}\in\mathbb{R}^{C_{text}}\)。
输入文本变化起的格式包含 state-level，对于normal/anomaly的文本分别为文本的格式如下：
| normal | anomaly |
|---|---|
| c:="[o]" | c:="damaged [o]" |
| c:="flawless [o]" | c:="broken [o]" |
| ... | ... |
Token [o]可被替换为物体名，若物体名不可用，则使用“object”代替。完整 state-level的prompt template后填入 Template-level的文本，template-level的文本格式包括：
- "a cropped photo of the [c]."
- "a cropped photo of a [c]."
- "a close-up photo of a [c]."
- ...
经过文本编码器后的文本特征为\(F_{text}\in\mathbb{R}^{2\times C_{text}}\)。\(x\)输入图像Encoder后，对于中间4层的特征表示为\(F_{patch}^i\in\mathbb{R}^{H_i\times W_i\times C_i}\)，再经过线性层投影得到\(\tilde{F}_{patch}^i\in\mathbb{R}^{H_i\times W_i\times C_{text}}\)。
然后将文本特征与图像特征做矩阵乘法并上采样得到Mask：\(M=Upsample\left(\sum_{i=1}^4softmax(\tilde{F}_{patch}^iF_{text}^T)\right)\)。
Few-shot设置下，每个类存在几个带标注的样本，图像Encoder中间4层，分别对应一个容量为\(N\)的memory bank：\(B^i\in\mathbb{R}^{N\times C_i}\)，然后把整个bank的特征拿来计算，求最大，并把4个结果相加上采样得到掩码mask：\(M=Upsample\left(\sum_{i=1}^4\left(1-max(F_{patch}^i\cdot {B^i}^T)\right)\right)\)。
两种设置下，掩码大小与输入图像一致\(M\in R^{H\times W}\)。
可学习的prompt embedding层
为了利用图像中的细粒度语义并保持 LLM 和解码器输出之间的语义一致性，引入了一个提示学习器，将定位结果\(M\)转换为prompt embedding。prompt embedding层输出\(n_1\)的向量：\(E_{base}\in\mathbb{R}^{n_1\times C_{emb}}\)。
掩码经过卷积、投影变为长度为\(n_2\)的向量：\(M\in R^{H\times W}\rightarrow E_{dec}\in\mathbb{R}^{n_2\times C_{\boldsymbol{e}mb}}\)。再concat向量得到：\(E_{prompt}\in\mathbb{R}^{(n_1+n_2)\times C_{emb}}\)。
用户输入图片的文本描述
为了帮助大模型更好的理解图片内容，可以输入图片描述完善以下内容：
## Human: <img> \(E_{img}\) </img> \(E_{prompt}\) [Image Description ] ls there any anomaly in the image? # Assistant:
每个类含若干个描述，例如：
Bottle：This is a photo of a bottle for anomaly detection, which should be round and without any damage, flaw, defect, scratch, hole or broken part.
然而，在实际生产中，文本描述也可以不提供。作者表示，仅提供\(E_{img}\)，模型也能有较好的表现。
最后，对于大模型的输出大概是“Yes, there is an anomaly in the image, at the bottom left of the image. or No, there are no anomalies in the image.”
为了让模型更好的理解位置，图片被分为9格
损失函数
用交叉熵计算模型生成的文本序列与目标文本序列之间的损失（其中\(n\)是token的数量）：
\(y_i\)是第i个token真实标签，\(p_i\)为第i个token的概率预测。
在IAD任务中，异常图像中的大多数区域仍然是正常的，采用Focal损失可以缓解类别不平衡的问题（其中n=H×W表示像素总数）：
并额外使用了Dice损失：
\(y_i\)是图像decoder的输出，\(\hat{y}_i\)的ground-truth。最后的损失函数表示为：
实验
数据集
- MVTec-AD 包含 15 个不同类别的 3629 张训练图像和 1725 张测试图像。
- VisA 包含 12 个类别的 9621 张正常图像和 1200 张异常图像。
与之前的IAD方法一致，仅使用这些数据集中的正常数据进行训练。为了模拟异常样本，作者使用poisson图像编辑，相较于裁剪-粘贴，对于边缘处理更平滑。
参考文献
- Gu, Zhaopeng, et al. "Anomalygpt: Detecting industrial anomalies using large vision-language models." Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 38. No. 3. 2024.
