ExDD: Explicit Dual Distribution Learning for Surface Defect Detection via Diffusion Synthesis

Each language version is independently generated for its own context, not a direct translation.

🏭 Le Problème : Trouver l'aiguille dans la botte de foin (mais sans avoir vu beaucoup d'aiguilles)

Imaginez que vous travaillez dans une usine qui fabrique des pièces en cuivre ou du marbre. Votre travail est de repérer les défauts : une rayure, une tache, une fissure.

Le problème, c'est que les défauts sont rares. Sur 1 000 pièces, 999 sont parfaites et une seule est abîmée.

L'ancienne méthode (le "One-Class") : C'est comme apprendre à un gardien de sécurité à reconnaître uniquement les visages des employés autorisés. Si quelqu'un d'inconnu passe, le gardien crie "Alerte !".
- Le souci : Cela fonctionne bien si le voleur ressemble à un inconnu banal. Mais si le voleur porte un déguisement très spécifique (une rayure précise, une tache de couleur particulière), le gardien peut se tromper. De plus, comme le gardien n'a jamais vu de voleurs, il ne sait pas à quoi ils ressemblent vraiment. Il suppose que n'importe quoi d'étrange est un voleur, ce qui crée beaucoup de fausses alarmes.

💡 La Solution ExDD : Le Détective à Double Mémoire

Les auteurs de ce papier, Muhammad Aqeel et son équipe, proposent une nouvelle approche appelée ExDD. Imaginez que le détective a maintenant deux carnets de notes au lieu d'un seul.

1. Le premier carnet : "La Normalité" (Ce qui va bien)

Comme avant, ce carnet contient des photos de milliers de pièces parfaites. Il sert de référence pour ce qui est "normal".

2. Le deuxième carnet : "La Mémoire des Défauts" (Ce qui ne va pas)

C'est ici que la magie opère. Au lieu de supposer que tous les défauts sont des "inconnus", ExDD essaie de créer des exemples de défauts pour apprendre au détective à les reconnaître.

🎨 L'Ingénierie : Comment créer des défauts qui n'existent pas encore ?

Puisqu'il n'y a pas assez de vraies pièces abîmées pour remplir le deuxième carnet, ils utilisent une Intelligence Artificielle générative (un modèle de diffusion, un peu comme Midjourney ou DALL-E).

L'analogie du Chef Cuisinier : Imaginez que vous voulez apprendre à un chef à reconnaître des gâteaux brûlés. Vous n'avez qu'un seul gâteau brûlé.
La méthode ExDD : Vous demandez à l'IA : "Peux-tu me dessiner un gâteau avec une brûlure spécifique sur le côté, exactement comme sur cette photo, mais en gardant la même texture de gâteau ?"
L'IA génère alors de nouvelles images de pièces abîmées qui ressemblent parfaitement à la réalité (pas de déformations bizarres). Ces images sont ajoutées au "carnet des défauts".

⚖️ Le Système de Notation : Le "Ratio de Comparaison"

Une fois que le détective a ses deux carnets (Normalité et Défauts), comment décide-t-il si une nouvelle pièce est bonne ou mauvaise ?

Au lieu de simplement dire "Ceci est étrange", il fait un calcul de ratio :

Regarde le carnet "Normalité" : À quel point cette pièce ressemble-t-elle à une pièce parfaite ? (Si c'est très différent = mauvais score).
Regarde le carnet "Défauts" : À quel point cette pièce ressemble-t-elle à un défaut connu ? (Si c'est très similaire = bon score pour le défaut).

La formule magique :

Score d'alerte = (Différence avec le Normal) ÷ (Ressemblance avec le Défaut)

Si la pièce est très différente du normal ET très proche d'un défaut connu, le score explose ! 🚨
Si la pièce est juste un peu bizarre (une variation normale de la lumière) mais ne ressemble à aucun défaut connu, le score reste bas. Cela évite les fausses alarmes.

🏆 Les Résultats : Pourquoi c'est génial ?

Sur le test réel (le jeu de données KSDD2), cette méthode a battu les meilleurs systèmes existants :

Précision : Elle détecte presque tous les défauts (94,2 % de réussite).
Localisation : Elle sait exactement où est la rayure sur la pièce (97,7 % de réussite), ce qui est crucial pour les usines qui doivent réparer ou jeter la pièce précise.
Le point d'optimum : Ils ont découvert qu'ajouter 100 images synthétiques (générées par l'IA) était le "sweet spot". Trop d'images générées (150) commençait à embrouiller le système, un peu comme si on donnait trop d'exemples de "mauvaises recettes" qui finissaient par ne plus ressembler à la réalité.

🚀 En résumé

ExDD, c'est comme passer d'un gardien de sécurité qui ne connaît que les bons visages, à un expert en criminologie qui :

Connaît parfaitement les visages normaux.
A étudié des centaines de photos de criminels (même ceux qu'il n'a jamais vus en vrai, mais générés par l'IA pour correspondre à la réalité).
Compare instantanément le suspect aux deux listes pour prendre une décision précise, sans paniquer pour un simple détail.

C'est une avancée majeure pour l'industrie, car elle permet de détecter des défauts invisibles à l'œil nu avec une précision chirurgicale, même quand on manque de données réelles.

Each language version is independently generated for its own context, not a direct translation.

1. Problématique

La détection de défauts de surface est cruciale pour le contrôle qualité industriel, mais elle se heurte à deux limitations majeures :

Rareté des données annotées : Les défauts sont rares sur les lignes de production, rendant l'apprentissage supervisé difficile.
Limites des paradigmes "One-Class" : Les méthodes actuelles (comme PatchCore ou PaDiM) s'entraînent uniquement sur des échantillons normaux. Elles supposent implicitement que les anomalies sont des outliers uniformément distribués dans l'espace des caractéristiques. Or, dans l'industrie, les défauts (rayures, fissures, taches) forment souvent des distributions distinctes et structurées qui ne sont pas bien capturées par une simple modélisation de la normalité. De plus, les méthodes de génération de données synthétiques existantes produisent souvent des artefacts hors distribution qui nuisent à l'apprentissage.

2. Méthodologie : Le cadre ExDD

Les auteurs proposent ExDD (Explicit Dual Distribution), un cadre unifié qui modélise explicitement deux distributions de caractéristiques : celle de la normalité et celle des défauts.

A. Architecture à Double Banque de Mémoire

Contrairement aux approches classiques qui utilisent une seule banque de mémoire pour les échantillons normaux, ExDD en utilise deux parallèles :

Banque de mémoire négative ( $M_N$ ) : Stocke les caractéristiques de patchs issus d'images normales.
Banque de mémoire positive ( $M_P$ ) : Stocke les caractéristiques de patchs issus d'anomalies (réelles ou synthétiques).
Cette séparation permet de capturer les propriétés statistiques distinctes des deux classes.

B. Génération de Défauts Synthétiques par Diffusion

Pour pallier le manque de données d'anomalies réelles, ExDD intègre un pipeline de génération basé sur les Modèles de Diffusion Latents (LDM) :

Utilisation de modèles comme Stable Diffusion XL avec des prompts textuels spécifiques au domaine (ex: "rayures métalliques sur du cuivre").
Le processus d'inpainting génère des défauts réalistes qui préservent le contexte industriel et la géométrie, assurant que les échantillons synthétiques appartiennent à la vraie distribution des anomalies (in-distribution).
Ces échantillons synthétiques alimentent la banque de mémoire positive.

C. Mécanisme de Scoring par Ratio (Ratio Scoring)

C'est l'innovation centrale pour la décision. Au lieu de mesurer uniquement la distance par rapport à la normalité, ExDD calcule un score combiné :

Distance Négative ( $s_N$ ) : Mesure l'éloignement d'un patch par rapport à la banque normale.
Distance Positive ( $s_P$ ) : Mesure la proximité d'un patch par rapport à la banque des défauts.
Score Final : Un ratio $s_{ratio} = s_N / (s_P + \epsilon)$ .
Ce mécanisme amplifie le signal d'anomalie pour les régions qui sont à la fois éloignées de la normalité (haut $s_N$ ) et proches des motifs de défauts connus (bas $s_P$ ). Un mécanisme de pondération "conscient du voisinage" (neighborhood-aware) est également appliqué pour affiner ces scores en fonction de la densité locale.

3. Contributions Clés

Apprentissage de Distribution Double : Formalisation de la détection de défauts comme un problème de séparation de deux distributions de caractéristiques explicites via des banques de mémoire parallèles.
Augmentation par Diffusion : Utilisation de modèles de diffusion conditionnés par le texte pour générer des défauts synthétiques "in-distribution", enrichissant la banque de mémoire positive sans introduire d'artefacts non réalistes.
Scoring par Ratio : Introduction d'une nouvelle métrique de décision qui fusionne la distance à la normalité et la similarité aux défauts, permettant des frontières de décision plus robustes et une localisation précise.

4. Résultats Expérimentaux

L'évaluation a été menée sur le jeu de données industriel KSDD2 (contenant des défauts sur du cuivre, du marbre, etc.).

Performance Globale : ExDD atteint des performances de pointe (State-of-the-Art).
- I-AUROC (Détection image) : 94,2 % (ExDD complet).
- P-AUROC (Localisation pixel) : 97,7 %.
Comparaison : Le modèle surpasse les méthodes de référence comme PatchCore (91,2 % I-AUROC), DSR (87,2 %) et DRÆM (77,8 %). Il est particulièrement supérieur pour la localisation pixelisée, là où d'autres méthodes échouent souvent.
Analyse de l'Augmentation : L'ajout de 100 images synthétiques (50 par prompt) s'avère optimal. Au-delà (150 images), les performances stagnent ou diminuent légèrement, indiquant un point de saturation de la diversité des défauts synthétiques.

5. Signification et Impact

Ce travail représente une avancée significative pour l'inspection industrielle :

Changement de paradigme : Il démontre que traiter les défauts comme une distribution structurée (et non comme du bruit aléatoire) améliore considérablement la détection.
Synergie Génération-Détection : En intégrant la génération de données synthétiques directement dans l'architecture d'apprentissage (plutôt que comme une simple étape de prétraitement), ExDD crée un espace de caractéristiques cohérent.
Applications Pratiques : La capacité à localiser précisément les défauts avec un taux de faux positifs réduit est essentielle pour les systèmes de contrôle qualité automatisés, permettant une intervention ciblée sur les pièces défectueuses.

En résumé, ExDD surmonte les limites des approches "one-class" en exploitant la puissance des modèles de diffusion pour construire une représentation explicite des défauts, offrant ainsi une solution robuste aux environnements industriels où les données d'anomalies sont rares.