Hypergraph Normal World Models for Logical Visual Anomaly Detection

Resumen Técnico: Modelos de Mundo Normal de Hipergrafos para la Detección de Anomalías Visuales Lógicas

1. Definición del Problema

La detección de anomalías visuales suele operar bajo un protocolo de "solo normalidad", donde los modelos se entrenan exclusivamente con imágenes libres de defectos para identificar desviaciones en los datos de prueba. Aunque los métodos existentes sobresalen en la detección de anomalías estructurales (por ejemplo, rayones, manchas, texturas faltantes) mediante el mapeo de parches locales a una distribución de referencia normal, tienen dificultades con las anomalías lógicas.

Las anomalías lógicas ocurren cuando una imagen está compuesta por partes localmente normales pero viola las reglas globales del mundo visual, como recuentos de objetos incorrectos, coocurrencias imposibles o relaciones espaciales inconsistentes. El desafío central es doble:

1. Cobertura Limitada: En entornos de pocos disparos (few-shot) o de solo normalidad, un modelo no puede confiar en memorizar todas las apariencias normales posibles; debe aprender las "reglas" subyacentes de la categoría.
2. Complejidad Relacional: Un detector debe evaluar no solo la apariencia de regiones individuales, sino la validez de la configuración y las relaciones entre estas regiones. Los bancos de memoria basados en parches estándar fallan aquí porque las características locales siguen siendo familiares incluso cuando la estructura global es inválida.

2. Metodología: El Modelo de Mundo Normal de Hipergrafos

El método propuesto, el Modelo de Mundo Normal de Hipergrafos, aborda estos desafíos destilando un "mundo normal" específico de la categoría a partir de las características de un modelo fundacional congelado, en lugar de entrenar un nuevo codificador visual.

Componentes Principales:

• Prior Fundacional Congelado: El modelo utiliza un codificador DINOv2 congelado para extraer tokens semánticos de parches. Esto aprovecha el amplio conocimiento visual aprendido de datos masivos no etiquetados, permitiendo que el modelo funcione eficazmente con muy pocas imágenes normales objetivo (few-shot) sin sobreajustarse.
• Construcción del Hipergrafo: En lugar de tratar la imagen como un conjunto de parches independientes, el método organiza la cuadrícula de parches en un hipergrafo fijo.
  • Nodos: Tokens de parches individuales.
  • Hiperaristas: Agrupaciones espaciales de parches (por ejemplo, cuadrantes, regiones de centro/borde, bandas de filas/columnas, celdas de la cuadrícula local). Estas representan estados a "nivel de región".
  • Relaciones: El modelo calcula las similitudes de coseno entre pares de parches y pares de hiperaristas para capturar dependencias espaciales y semánticas.
• Estadísticas del Mundo Normal: Durante la etapa de ajuste (usando solo imágenes normales), el modelo estima estadísticas gaussianas (media y varianza) para cuatro tipos de evidencia:
  1. Ubicación del parche: Distribuciones de tokens individuales.
  2. Relaciones de pares: Similitudes entre pares de parches específicos.
  3. Hiperaristas: Distribuciones de tokens de regiones agrupadas.
  4. Relaciones de hiperaristas: Similitudes entre grupos de regiones.
  • Adicionalmente, se mantiene un histograma de relación global para capturar la distribución general de las similitudes de pares.
• Cociente de Información ($Q$): En la inferencia, el modelo calcula una "energía" (distancia de Mahalanobis al cuadrado) para cada tipo de evidencia respecto a las estadísticas normales aprendidas. Estas energías se estandarizan y se combinan en una suma ponderada, el Cociente de Información ($Q$).
  • Un $Q$ bajo indica que la imagen se explica eficientemente por el mundo normal aprendido.
  • Un $Q$ alto indica que la imagen requiere información relacional anormal para ser explicada, señalando una anomalía lógica.

3. Contribuciones Clave

1. Formulación de la Detección de Anomalías Lógicas: El artículo enmarca la detección de anomalías lógicas como el modelado de un "mundo normal" sobre tokens fundacionales congelados, yendo más allá del simple emparejamiento de parches locales para capturar reglas relacionales específicas de la categoría.
2. Cociente de Información de Hipergrafo: La introducción de un mecanismo de puntuación que integra evidencia de parches, relaciones de pares, evidencia de hiperaristas (regiones) y relaciones de hiperaristas. Esto permite al modelo evaluar la eficiencia de explicar una imagen bajo un prior estructural aprendido.
3. Interpretabilidad y Validación: Los autores proporcionan un análisis extenso demostrando que la puntuación refleja el conocimiento estructural aprendido y no un mapeo superficial. Esto incluye:
   • Separación de anomalías lógicas en el espacio de energía aprendido mediante t-SNE.
   • Aumentos significativos en la puntuación bajo contrafácticos de relación (permutando bloques de tokens mientras se preserva la apariencia local).
   • Degradación del rendimiento al usar hipergrafos aleatorios, probando el valor de la estructura espacial significativa.
   • Análisis de atribución que muestra que las anomalías lógicas impulsan las puntuaciones altas a través de relaciones de hiperaristas específicas.

4. Resultados Experimentales

El método fue evaluado en el benchmark MVTec LOCO AD, específicamente en la categoría breakfast-box, que contiene tanto anomalías estructurales como lógicas.

• Rendimiento: El modelo completo de hipergrafos logró un AUROC Lógico de 0.9279, superando significativamente a:
  • La línea base DINOv2 patch-kNN (0.8434).
  • La variante del método propuesto sin hipergrafo (0.9013).
  • Las líneas base de características globales (DINOv2 CLS: 0.8616).
• Estructural vs. Lógico: Mientras que la línea base patch-kNN siguió siendo superior para defectos estructurales (AUROC 0.8650 frente a 0.7207 para el modelo propuesto), el modelo propuesto destacó específicamente en anomalías lógicas. Esto confirma la naturaleza complementaria de ambos enfoques.
• Capacidad de Pocos Disparos (Few-Shot): El modelo se mantuvo efectivo con datos de entrenamiento extremadamente limitados. Con solo una imagen normal, alcanzó un AUROC lógico de 0.8597, subiendo a 0.9279 con el conjunto completo de 351 imágenes. Esto demuestra la eficacia del prior fundacional congelado.
• Estudios de Ablación: Eliminar la estructura de hipergrafo redujo el rendimiento, confirmando que agrupar parches en estados de región es crucial. El componente de "Nodo de hiperarista" por sí solo fue el contribuyente individual más fuerte, pero la combinación completa produjo los mejores resultados.

5. Significado y Reivindicaciones

El artículo afirma que la detección de anomalías visuales lógicas requiere modelar relaciones normales, no solo parches locales normales. El significado de este trabajo radica en:

• Cambio de Paradigma: Pasar de la "rareza del parche" a la "violación de la regla del mundo". El modelo aprende que una imagen válida es aquella donde las partes coocurren y se relacionan de formas específicas y estables.
• Eficiencia en la Escasez de Datos: Al destilar el conocimiento de un modelo fundacional congelado, el método logra un sólido rendimiento en entornos de pocos disparos donde los métodos tradicionales de banco de memoria podrían fallar en cubrir el espacio de apariencia normal.
• Interpretabilidad: El "Cociente de Información" proporciona una puntuación descomponible, permitiendo a los profesionales identificar exactamente qué restricciones relacionales o regionales fueron violadas (por ejemplo, mediante la atribución de hiperaristas), ofreciendo perspectivas que los modelos de reconstrucción o clasificación de caja negra no proporcionan.

Los autores concluyen que, si bien su modelo no reemplaza la memoria de parches para defectos estructurales, proporciona la señal consciente de la relación necesaria para detectar anomalías lógicas, sugiriendo una dirección futura para sistemas híbridos que combinen la memoria de parches locales con el modelado de relaciones del mundo normal.