Unsupervised reconstructive and discriminative methods for surface anomaly detection and localisation

Zavrtanik, Vitjan (author), Skočaj, Danijel (mentor)

This thesis deals with the task of unsupervised surface anomaly detection and localization. Through an overview of the surface anomaly detection field, it describes the main paradigms of the current surface anomaly detection methods, analyses the field's most recent best performing methods and points out their shortcomings. As the main part of the thesis, several methods addressing the issues of the reconstructive and the discriminative anomaly detection paradigms are proposed. The three proposed surface anomaly detection methods represent the main contributions to science of the doctoral work. The RIAD method belongs to the reconstructive paradigm. It reformulates image reconstruction as an iterative inpainting process, preventing the reconstruction of anomalies, making them detectable. The DRAEM method is a discriminative anomaly detection method that is trained using simulated anomalies. It proposes a reconstructive and discriminative framework that removes anomalies from the image and then accurately localizes them based on the difference between the input image and the anomaly-free reconstruction. The DSR method simulates anomalies directly in the discrete latent space, which improves the diversity of simulated anomalies and enables the accurate detection of real anomalies. As an additional contribution, the use of the proposed discriminative methods on other data modalities has been explored, demonstrating the significant adaptability of the proposed architectures.

• Language: English
• Keywords: anomaly detection, unsupervised learning, surface anomaly detection
• Work type: Doctoral dissertation
• Typology: 2.08 - Doctoral Dissertation
• Organization: FRI - Faculty of Computer and Information Science
• Year: 2025
• PID: 20.500.12556/RUL-175005
• COBISS.SI-ID: 254035715
• Publication date in RUL: 13.10.2025

Secondary language

• Language: Slovenian
• Title: Nenadzorovane rekonstrukcijske in diskriminativne metode za detekcijo in lokalizacijo površinskih anomalij

Abstract

Ta disertacija obravnava nenadzorovano detekcijo in lokalizacijo anomalij na površinah. V disertaciji so predstavljene glavne paradigme trenutnih detekcijskih metod, analizirane trenutne najboljše metode, izpostavljene pa so tudi njihove pomanjkljivosti. Delo predlaga metode, ki naslavljajo probleme rekonstrukcijske in diskriminativne paradigme detekcije anomalij. V disertaciji so, kot glavni prispevek k znanosti, predstavljene tri metode za detekcijo površinskih anomalij na slikah. Metoda RIAD pripada rekonstrukcijski paradigmi in predlaga izvajanje rekonstrukcije s postopkom iterativnega vrisovanja. Metoda DRAEM je diskriminativna metoda, ki je učena le z uporabo simuliranih anomalij. Sestavljena je iz rekonstrukcijskega dela in diskriminativnega dela. Rekonstrukcijski del anomalije implicitno zazna in jih iz slike izbriše. Diskriminativni del anomalije natančno lokalizira na podlagi naučene implicitne funkcije razdalje med vhodno sliko in njeno rekonstrukcijo. Diskriminativna metoda DSR za učenje uporablja anomalije simulirane v naučenem diskretnem prostoru. To izboljša raznolikost simuliranih anomalij in omogoča natančno detekcijo pravih anomalij. Dodatni prispevki znanosti te disertacije so adaptacije predlaganih diskriminativnih metod na druge podatkovne modalnosti, kot sta zvok in globinske slike. Doseženi rezultati kažejo na izjemno prilagodljivost predlaganih arhitektur.

• Keywords: detekcija anomalij, nenadzorovano učenje, detekcija anomalij na površinah