高频引导的多尺度空间感知异常检测网络

针对现有工业异常检测算法对小尺寸缺陷检测精度低、多尺度特征提取能力弱、异常分割精度低等问题，提出一种结合高频残差引导和多尺度注意力特征融合的工业异常检测网络。首先，针对传统全频处理导致高频细节丢失的问题，设计了频域分离策略，利用高斯核滤波提取高频残差特征，强化网络对微小异常的检测能力；其次，针对常规卷积网络对复杂纹理的表征能力不足、异常与背景区分度不高的问题，在判别网络的编码器阶段嵌入全局增强的多尺度注意力模块GEMA，通过并行双路径捕获水平与垂直方向的多尺度局部信息，强化不同空间位置的显著特征，提升复杂纹理背景下的特征判别性；最后，在判别网络的解码器阶段集成坐标注意力模块CoordAtt，通过分解坐标轴动态调制特征权重，实现异常区域的精准空间定位。实验表明，在MVTec AD公开数据集上，所改进模型的图像级平均AUROC为98.6%，像素级别的平均AUROC和AP分别为97.6%和73.2%，有效提高了工业异常检测的效果。