RAID: Retrieval-Augmented Anomaly Detection

Le papier présente RAID, un cadre de détection d'anomalies non supervisée qui améliore la résilience au bruit en utilisant une approche d'augmentation par récupération (RAG) pour guider la génération de cartes d'anomalies via des échantillons normaux hiérarchiquement récupérés, atteignant ainsi des performances de pointe sur plusieurs benchmarks industriels.

L'essentiel

🕵️‍♂️ Le Problème : Trouver l'aiguille dans la botte de foin

Imaginez que vous travaillez dans une usine qui fabrique des milliers de pièces parfaites (des boulons, des puces électroniques, des bonbons). Votre travail est de repérer l'unique pièce abîmée parmi des milliers de pièces parfaites.

C'est ce qu'on appelle la détection d'anomalie.

Le problème, c'est que les méthodes actuelles sont un peu comme un détective qui essaie de deviner à quoi ressemble une pièce parfaite en la "recréant" dans sa tête.

• Si le détective a une mauvaise mémoire, il recrée une pièce imparfaite.
• Il compare alors la pièce réelle avec sa mauvaise copie.
• Résultat : Il se trompe souvent, il crie "C'est cassé !" alors que ce n'est pas le cas (fausse alarme), ou il rate de petits défauts subtils.

💡 La Solution : RAID (Le Détective avec une Bibliothèque)

Les auteurs de ce papier proposent une nouvelle approche appelée RAID. Au lieu de faire confiance uniquement à la mémoire du détective, ils lui donnent accès à une bibliothèque géante de photos de pièces parfaites.

C'est comme passer d'un détective qui travaille seul à un détective qui a un assistant IA ultra-puissant (inspiré d'une technologie appelée RAG, utilisée dans les chats intelligents).

Voici comment RAID fonctionne, étape par étape, avec des analogies simples :

1. La Bibliothèque Hiérarchique (Le Tri Intelligent)

Imaginez que votre bibliothèque contient des millions de photos de pièces parfaites. Si vous demandez au détective de chercher "un boulon", il ne va pas fouiller dans toutes les photos du monde (ce qui prendrait trop de temps).

RAID organise cette bibliothèque en trois niveaux de précision, comme un entonnoir :

• Niveau 1 (Le Grand Triage) : "Est-ce que c'est un boulon ?" (On ignore tout ce qui n'est pas un boulon).
• Niveau 2 (Le Style) : "Est-ce que c'est un boulon en acier brillant ou en fer rouillé ?" (On cherche le bon type de texture).
• Niveau 3 (Le Détail) : "Voici exactement la photo de ce boulon spécifique."

Grâce à cette organisation, le détective trouve instantanément les meilleures références pour comparer la pièce qu'il examine.

2. Le Filtre "MoE" (L'Équipe d'Experts)

Une fois que le détective a trouvé ses photos de référence, il les compare à la pièce réelle. Mais attention : même avec de bonnes photos, il peut y avoir des "bruits" (des ombres, des reflets) qui ressemblent à des défauts mais ne le sont pas.

C'est là qu'intervient la partie la plus ingénieuse de RAID : le filtre MoE (Mixture of Experts).
Imaginez que le détective n'est pas seul. Il a une équipe de 3 experts spécialisés qui regardent la comparaison ensemble :

• Expert A est un expert en "ombres et lumières".
• Expert B est un expert en "textures de surface".
• Expert C est un expert en "formes géométriques".

Chaque expert dit : "Non, ce n'est pas un défaut, c'est juste un reflet" ou "Oui, là, c'est vraiment une rayure !"

Le système combine leurs avis pour effacer les fausses alarmes (le bruit) et garder uniquement les vrais défauts. C'est comme si l'équipe se mettait d'accord pour ne crier "Au voleur !" que si tout le monde est sûr à 100 %.

🚀 Pourquoi c'est génial ?

1. Moins d'erreurs : En comparant avec de vraies photos parfaites et en faisant valider par une équipe d'experts, RAID fait beaucoup moins de fausses alarmes que les anciennes méthodes.
2. Très rapide : Grâce à sa bibliothèque bien rangée (hiérarchique), il ne perd pas de temps à chercher.
3. Adaptable : Même si on lui donne très peu d'exemples de pièces parfaites (par exemple, seulement 1 ou 4 photos au lieu de milliers), il s'en sort très bien. C'est comme un détective qui, même avec peu de photos, sait exactement à quoi ressembler une pièce parfaite grâce à sa logique.

🏆 Le Résultat

Les tests montrent que RAID bat tous les autres détectives (les méthodes actuelles) sur tous les tableaux :

• Il trouve plus de défauts cachés.
• Il dessine les contours des défauts beaucoup plus précisément.
• Il fonctionne aussi bien sur des boulons que sur des circuits électroniques ou des tissus.

En résumé : RAID ne devine plus à quoi ressemble le "parfait". Il va chercher la vraie référence dans une bibliothèque intelligente, puis il laisse une équipe d'experts vérifier s'il y a vraiment un problème. Résultat : une détection de défauts ultra-fiable, rapide et intelligente.

Résumé technique

1. Problématique et Contexte

La Détection d'Anomalies Non Supervisée (UAD) vise à identifier des régions anormales dans des images en établissant des correspondances entre une image de test et des modèles normaux. Bien que les méthodes existantes (basées sur la reconstruction ou l'embedding) aient fait des progrès, elles rencontrent un défi fondamental : le bruit de correspondance.

Lorsqu'on compare une image de test à des modèles normaux (templates), les variations intra-classe, les correspondances imparfaites et la limitation du nombre de modèles introduisent inévitablement du bruit. Ce bruit se manifeste par des frontières d'anomalies floues, des détections manquantes (hallucinations) et une mauvaise généralisation, en particulier dans des scénarios à peu d'exemples (few-shot) ou multi-classes.

L'article propose de réinterpréter la UAD à travers le prisme du paradigme RAG (Retrieval-Augmented Generation), généralement utilisé en NLP, pour transformer la détection d'anomalies en un processus de génération guidée par la récupération, capable de supprimer ce bruit.

2. Méthodologie : Le Framework RAID

Le framework RAID (Retrieval-Augmented Industrial anomaly Detection) intègre pleinement le pipeline RAG pour la UAD. Il se compose de deux étapes principales : une récupération hiérarchique et une génération filtrée par un MoE (Mixture of Experts).

A. Base de Données Vectorielle Hiérarchique

Au lieu d'une structure plate (flat) où chaque patch recherche son correspondant global, RAID organise les modèles normaux dans une base de données vectorielle hiérarchique à trois niveaux :

1. Prototype de classe (Class Prototype) : Représentation au niveau de la catégorie (obtenue par clustering des tokens CLS). Elle permet une recherche agnostique de la classe et du jeu de données.
2. Prototype sémantique (Semantic Prototype) : Représentation au niveau des motifs intra-classe (textures, composants structurels), obtenue par clustering des tokens de patch au sein d'une classe.
3. Token d'instance (Instance Token) : Les tokens de patch bruts, stockés de manière organisée.

Ce mécanisme permet un flux de recherche du grossier au fin (coarse-to-fine) : un token de requête identifie d'abord sa classe, puis ses prototypes sémantiques pertinents, et enfin les instances spécifiques. Cela réduit considérablement l'espace de recherche et améliore l'efficacité.

B. Génération Guidée par un MoE (Mixture of Experts)

Une fois les modèles pertinents récupérés, RAID ne se contente pas de calculer une simple distance de similarité. Il utilise un processus de raisonnement génératif filtré :

1. Volume de coût d'anomalie initial : Un volume 3D est construit en corrélant chaque token d'entrée avec ses tokens de modèle récupérés.
2. Filtre MoE Guidé : Ce module est conçu pour supprimer le bruit de correspondance (hallucinations). Il fonctionne en deux étapes :
   • Fusion de guidage : Les prototypes sémantiques récupérés et les tokens de requête servent de double guidage pour activer dynamiquement des experts spécialisés.
   • Filtrage par débruitage : Un réseau MoE (Mixture of Experts) applique un filtrage adaptatif sur le volume de coût. Il utilise des branches d'attention croisée (pour la cohérence sémantique) et des branches convolutionnelles (pour la fiabilité locale) pour affiner la carte d'anomalie.

L'objectif est de générer une carte d'anomalie fine qui préserve les contours précis et les anomalies subtiles tout en éliminant le bruit de fond.

3. Contributions Clés

1. Nouveau Paradigme RAG pour la UAD : RAID est le premier cadre à reformuler la détection d'anomalies comme un processus de génération augmentée par la récupération, utilisant les échantillons récupérés directement pour guider la suppression du bruit plutôt que pour enrichir le contexte.
2. Base de Données Vectorielle Hiérarchique : Une structure d'indexation innovante (Classe $\to$ Sémantique $\to$ Instance) qui permet une recherche efficace et précise, facilitant la généralisation sur de multiples jeux de données et catégories.
3. Filtre MoE Guidé : Un mécanisme de génération qui attribue dynamiquement des experts de débruitage spécialisés, permettant de supprimer le bruit de correspondance hallucinatoire et d'améliorer la robustesse face à des distributions d'anomalies variées.
4. Performance et Généralisation : Le modèle démontre une capacité exceptionnelle à fonctionner sans ajustement (zero-shot/few-shot) et à traverser les limites des jeux de données (multi-dataset).

4. Résultats Expérimentaux

RAID a été évalué sur quatre benchmarks industriels majeurs : MVTec-AD, VisA, MPDD et BTAD, dans trois scénarios : full-shot, few-shot et multi-dataset.

• Full-shot (Multi-classe) : RAID atteint des performances State-of-the-Art (SOTA). Sur MVTec-AD, il dépasse les méthodes de référence (comme GLAD, AnomalyDINO, CostFilter-AD) avec un score I-AUROC de 99,4 % et P-AUROC de 98,6 %. Sur VisA, il obtient également le meilleur score avec 94,9 % / 99,0 %.
• Few-shot : Même avec très peu d'échantillons normaux (1 à 4 images par classe), RAID surpasse nettement les approches concurrentes (comme WinCLIP, PromptAD), démontrant une forte capacité de transfert grâce à l'utilisation de priors sémantiques universels.
• Multi-dataset : Entraîné sur un corpus fusionné de plusieurs jeux de données, RAID maintient des performances élevées sans dégradation notable, prouvant son évolutivité et sa robustesse face à des distributions complexes.
• Efficacité : Grâce à la recherche hiérarchique, RAID réduit la latence par image d'environ 5 fois par rapport à une recherche plate tout en maintenant une précision supérieure.

5. Signification et Impact

Ce travail est significatif car il comble le fossé entre les méthodes de récupération traditionnelles et les approches génératives modernes. En traitant la détection d'anomalies comme un problème de raisonnement guidé par la récupération, RAID résout le problème persistant du bruit de correspondance qui limite les méthodes actuelles.

• Robustesse : La capacité à supprimer le bruit de correspondance permet une localisation plus précise des défauts subtils.
• Évolutivité : L'approche est agnostique aux catégories et aux jeux de données, ce qui la rend idéale pour l'inspection industrielle où les défauts et les produits varient constamment.
• Efficacité des données : Les performances élevées en configuration few-shot réduisent le besoin de grandes quantités de données d'entraînement, un avantage crucial pour l'industrie.

En conclusion, RAID propose une nouvelle voie pour l'intelligence industrielle, rendant la détection d'anomalies plus explicable, évolutive et efficace en données, en s'inspirant des avancées récentes du RAG.