💻 computer science

HLGFA: High-Low Resolution Guided Feature Alignment for Unsupervised Anomaly Detection

यह शोध पत्र HLGFA का प्रस्ताव करता है, जो एक नवीन अनसुपरवाइज्ड औद्योगिक विसंगति पहचान (इंडस्ट्रियल एनोमली डिटेक्शन) फ्रेमवर्क है, जो पिक्सेल-स्तरीय पुनर्निर्माण (पिक्सेल-लेवल रिकंस्ट्रक्शन) पर निर्भर हुए बिना, उच्च और निम्न-रिज़ॉल्यूशन निरूपणों के बीच क्रॉस-रिज़ॉल्यूशन फीचर निरंतरता को मॉडल करके उन विसंगतियों की पहचान करता है जहाँ संरेखण (अलाइनमेंट) टूट जाता है, और इस प्रकार अत्याधुनिक प्रदर्शन प्राप्त करता है।

मूल लेखक: Han Zhou, Yuxuan Gao, Yinchao Du, Xuezhe Zheng

प्रकाशित 2026-05-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Han Zhou, Yuxuan Gao, Yinchao Du, Xuezhe Zheng

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक फैक्ट्री में क्वालिटी कंट्रोल इंस्पेक्टर हैं। आपका काम असेंबली लाइन से आने वाले उत्पादों पर सूक्ष्म दोषों (defects) को पहचानना है। समस्या क्या है? आपने पहले कभी कोई दोषपूर्ण उत्पाद नहीं देखा है, और आपके पास तुलना करने के लिए कोई "खराब उदाहरण" भी नहीं है। आपके पास केवल हजारों एकदम सही, सामान्य उत्पादों की तस्वीरें हैं।

यह अनसुपरवाइज्ड एनोमली डिटेक्शन (Unsupervised Anomaly Detection) की चुनौती है। यह पेपर इस समस्या को हल करने के लिए एक नई विधि पेश करता है जिसे HLGFA (हाई-लो रेजोल्यूशन गाइडेड फीचर अलाइनमेंट) कहा जाता है। यह कैसे काम करता है, इसे सरल उपमाओं के माध्यम से समझाया गया है।

मुख्य विचार: "ज़ूम-इन बनाम ज़ूम-आउट" टेस्ट

पुराने तरीके ज्यादातर उत्पाद की छवि को शून्य से फिर से बनाने (जैसे एक चित्रकार द्वारा फोटो की नकल करने) की कोशिश करते हैं। यदि वे किसी हिस्से की सटीक नकल करने में विफल रहते हैं, तो वे मान लेते हैं कि वह एक दोष है। लेकिन यह पेचीदा है क्योंकि "चित्रकार" कभी-कभी नकल करने में बहुत अधिक कुशल हो जाता है, यहाँ तक कि दोषों की भी नकल कर लेता है, या जटिल बैकग्राउंड से भ्रमित हो जाता है।

HLGFA एक अलग दृष्टिकोण अपनाता है। यह एक सरल अवलोकन पर निर्भर करता है: सामान्य चीजें वैसी ही दिखती हैं चाहे आप ज़ूम-इन करें या ज़ूम-आउट। टूटी हुई चीजें वैसी नहीं होतीं।

उपमा: कल्पना कीजिए कि आप एक बेदाग, चिकनी मेज देख रहे हैं।
- ज़ूम आउट (लो रेजोल्यूशन): यह एक ठोस, सपाट भूरे रंग के आयत जैसा दिखता है।
- ज़ूम इन (हाई रेजोल्यूशन): आप लकड़ी के रेशे (grain), चिकनी फिनिश और सटीक किनारों को देखते हैं।
- परिणाम: "ज़ूम आउट" वाला दृश्य और "ज़ूम इन" वाला दृश्य एक ही कहानी बताते हैं। वे सुसंगत (consistent) हैं।
अब, एक खरोंच वाली मेज की कल्पना करें।
- ज़ूम आउट: खरोंच गायब हो सकती है या एक छोटे, धुंधले धब्बे जैसी दिख सकती है। समग्र आकार अभी भी एक मेज जैसा ही दिखता है।
- ज़ूम इन: खरोंच बड़ी, टेढ़ी-मेढ़ी और स्पष्ट है।
- परिणाम: "ज़ूम आउट" वाला दृश्य और "ज़ूम इन" वाला दृश्य अलग-अलग कहानियाँ बताते हैं। खरोंच दोनों दृश्यों के बीच की निरंतरता को तोड़ देती है।

HLGFA इसी "असंगति" (inconsistency) को अपने अलार्म सिस्टम के रूप में उपयोग करता है। यदि हाई-रेजोल्यूशन दृश्य और लो-रेजोल्यूशन दृश्य आपस में मेल नहीं खाते हैं, तो यह उस स्थान को दोष के रूप में चिह्नित कर देता है।

सिस्टम कैसे काम करता है (द "गाइड" और द "स्टूडेंट")

सिस्टम एक प्री-ट्रेंड AI मस्तिष्क (जिसे "बैकबोन" कहा जाता है) का उपयोग करता है जो आँखों की एक जोड़ी की तरह काम करता है। यह उत्पाद को एक साथ दो तरीकों से देखता है:

हाई रेजोल्यूशन (HR): एक स्पष्ट, विस्तृत दृश्य।
लो रेजोल्यूशन (LR): एक धुंधला, सरल दृश्य।

समस्या: यदि आप केवल सीधे तुलना करते हैं, तो धुंधला दृश्य बहुत अस्पष्ट हो सकता है, या स्पष्ट दृश्य बहुत शोर (noisy) वाला हो सकता है।

समाधान (द "गाइड"):
सिस्टम हाई-रेजोल्यूशन दृश्य को एक सख्त शिक्षक और लो-रेजसोल्यूशन दृश्य को एक छात्र के रूप में मानता है।

शिक्षक (HR) अपने ज्ञान को दो भागों में तोड़ता है: संरचना (Structure) (बड़ा आकार) और विवरण (Detail) (सूक्ष्म बनावट)।
फिर शिक्षक छात्र (LR) को अपने धुंधले चित्र को बेहतर बनाने के लिए निर्देशित करता है। वह कहता है, "हे, सुनिश्चित करो कि तुम्हारा धुंधला संस्करण मेरे द्वारा देखे गए बड़े आकार से मेल खाता हो, और जो सूक्ष्म विवरण मैं देख रहा हूँ, उन्हें पकड़ने की कोशिश करो।"
यदि छात्र (धुंधला दृश्य) किसी विशिष्ट स्थान पर शिक्षक (स्पष्ट दृश्य) से मेल खाने के लिए निर्देशित होने में विफल रहता है, तो सिस्टम को पता चल जाता है कि वहां कुछ गलत है। वह स्थान एक विसंगति (anomaly) है।

"गंदगी" की समस्या को संभालना

वास्तविक फैक्ट्रियों में, उत्पादों में अक्सर हानिरहित धूल, बाल या दाग होते हैं जो वास्तविक दोष नहीं हैं। इन्हें "नजेंस फैक्टर्स" (nuisance factors) कहा जाता है। एक साधारण सिस्टम धूल के कण को भी दरार समझ सकता है।

इसे ठीक करने के लिए, HLGFA एक नॉइज़-अवेयर ट्रेनिंग स्ट्रैटेजी का उपयोग करता है।

उपमा: कल्पना कीजिए कि आप एक सुरक्षा गार्ड को प्रशिक्षित कर रहे हैं। यदि आप उन्हें केवल एक साफ कमरा दिखाते हैं, तो वे धूल के एक कण से भी घबरा सकते हैं।
समाधान: प्रशिक्षण के दौरान, सिस्टम कृत्रिम रूप से "नकली गंदगी" (जैसे नकली बाल या दाग) को पूर्ण छवियों में जोड़ता है। यह सिस्टम को यह सीखने के लिए मजबूर करता है: "रैंडम कणों को अनदेखा करें; बड़े संरचनात्मक परिवर्तनों पर ध्यान केंद्रित करें।"
यह सिस्टम को "शोर" (noise) को अनदेखा करना और केवल तभी चिल्लाना सिखाता है जब वह एक वास्तविक संरचनात्मक बदलाव देखता है।

यह बेहतर क्यों है

पेपर का दावा है कि यह विधि श्रेष्ठ है क्योंकि:

इसे याद रखने की ज़रूरत नहीं है: इसे तुलना करने के लिए "सामान्य" छवियों के विशाल पुस्तकालय की आवश्यकता नहीं है (जैसा कि कुछ पुराने तरीकों में होता है)।
इसे फिर से बनाने की ज़रूरत नहीं है: यह छवि की एक आदर्श प्रति बनाने में समय बर्बाद नहीं करता है।
यह स्थिर है: "स्ट्रक्चर बनाम डिटेल" गाइड का उपयोग करके, यह बनावट या शोर से भ्रमित होने से बचता है।

परिणाम

शोधकर्ताओं ने दो प्रसिद्ध औद्योगिक डेटासेट्स (MVTec AD और VisA) पर इस पद्धति का परीक्षण किया।

उन्होंने पाया कि HLGFA दोषों को पहचानने में अविश्वसनीय रूप से कुशल है, जिसने MVTec डेटासेट पर दोषों को खोजने में 98% सफलता दर और VisA डेटासेट पर 97.9% सफलता प्राप्त की।
अधिक महत्वपूर्ण बात यह है कि यह दोष के स्थान को लेकर बहुत सटीक है (पिक्सेल-लेवल सटीकता के साथ), जिसका अर्थ है कि यह पूरे उत्पाद को टूटा हुआ घोषित किए बिना एक खरोंच के चारों ओर एक सटीक घेरा बना सकता है।

संक्षेप में: HLGFA एक स्मार्ट इंस्पेक्टर है जो यह जाँचता है कि क्या उत्पाद वैसा ही दिखता है जब आप ज़ूम-इन और ज़ूम-आउट करते हैं। यदि दोनों दृश्य असहमत हैं, तो उसे पता चल जाता है कि कोई समस्या है। यह रैंडम गंदगी को अनदेखा करता है और अपना काम करने के लिए हर संभव दोष को याद रखने की आवश्यकता नहीं रखता।

तकनीकी सारांश: HLGFA

समस्या विवरण

आधुनिक विनिर्माण में स्वचालित दृश्य निरीक्षण (automated visual inspection) के लिए अनसुपरवाइज्ड इंडस्ट्रियल एनोमली डिटेक्शन (UAD) अत्यंत महत्वपूर्ण है, जहाँ दोषपूर्ण नमूनों (defect samples) की कमी होती है और एनोटेशन करना महंगा होता है। मौजूदा दृष्टिकोण, मुख्य रूप से रिकंस्ट्रक्शन-आधारित (reconstruction-based) और मेमोरी-आधारित विधियाँ, महत्वपूर्ण सीमाओं का सामना करते हैं:

रिकंस्ट्रक्शन-आधारित विधियाँ अक्सर "जनरलाइजेशन की समस्या" (generalization problem) से ग्रस्त होती हैं, जहाँ मॉडल अनजाने में विसंगतियों (anomalies) को भी पुनर्गठित (reconstruct) कर देते हैं, जिससे अस्थिर एनोमली रिस्पॉन्स उत्पन्न होता है।
मेमोरी-आधारित विधियाँ (जैसे PatchCore) बड़े मेमोरी बैंक और नियर-नेस्ट सर्च के कारण उच्च इन्फरेंस जटिलता (inference complexity) का कारण बन सकती हैं।
स्केल संवेदनशीलता (Scale Sensitivity): कई विधियाँ वैश्विक संरचनात्मक निरंतरता (global structural consistency) और स्थानीय विवरण निष्ठा (local detail fidelity) को एक साथ बनाए रखने में संघर्ष करती हैं, विशेष रूप से जब दोषों का पैमाना (scale) काफी भिन्न होता है।

लेखक औद्योगिक निरीक्षण में एक प्रमुख भौतिक गुण देखते हैं: सामान्य पैटर्न रिज़ॉल्यूशन परिवर्तन के तहत स्थिर फीचर रिस्पॉन्स प्रदर्शित करते हैं, जबकि असामान्य क्षेत्र (जो आमतौर पर स्थानीय और अनियमित होते हैं) रिज़ॉल्यूशन कम होने के प्रति अत्यधिक संवेदनशील होते हैं। जब छवियों को डाउनसैंपल किया जाता है, तो सामान्य वस्तुओं की वैश्विक संरचना सुरक्षित रहती है, लेकिन दोष-संबंधी संकेत (cues) क्षीण या बदल जाते हैं। यह सुझाव देता है कि क्रॉस-रिज़ॉल्यूशन फीचर इनकंसिस्टेंसी (cross-resolution feature inconsistency) स्पष्ट दोष मॉडलिंग के बिना, एनोमली डिटेक्शन के लिए एक अंतर्निहित, सिद्धांत-आधारित संकेत के रूप में कार्य कर सकती है।

कार्यप्रणाली: HLGFA

प्रस्तावित HLGFA (High–Low Resolution Guided Feature Alignment) फ्रेमवर्क स्पष्ट रिकंस्ट्रक्शन या बाहरी मेमोरी बैंक के बिना क्रॉस-रिज़ॉल्यूशन फीचर कंसिस्टेंसी के माध्यम से सामान्यता (normality) को सीखता है।

1. डुअल-रिज़ॉल्यूशन फीचर एक्सट्रैक्शन

इनपुट: एक इनपुट इमेज को डाउन-सैंपलिंग के माध्यम से दो दृश्यों में संसाधित किया जाता है: एक हाई-रिज़ॉल्यूशन (HR) दृश्य ( $x_h$ ) और एक लो-रिज़ॉल्यूशन (LR) दृश्य ( $x_l$ )।
बैकबोन: एक साझा, फ्रोज़न (frozen) बैकबोन (विशेष रूप से Wide-ResNet-50) दोनों दृश्यों से मल्टी-लेवल फीचर रिप्रेजेंटेशन $\{f^h_s\}$ और $\{f^l_s\}$ निकालता है।
अलाइनमेंट: LR फीचर्स को HR आयामों से मेल खाने के लिए स्थानिक रूप से अपसैंपल किया जाता है। प्रत्यक्ष समानता लागू करने के बजाय, एक सीखने योग्य गाइडेड अलाइनमेंट ऑपरेटर ( $\mathcal{G}_s$ ) HR रिप्रेजेंटेशन का उपयोग मार्गदर्शन संकेतों के रूप में करके LR फीचर्स को परिष्कृत (refine) करता है।

2. स्ट्रक्चर–डिटेल डिकपल्ड गाइडेंस (Structure–Detail Decoupled Guidance)

HR फीचर्स में ग्लोबल स्ट्रक्चर और फाइन-ग्रेंड डिटेल्स के उलझाव को संबोधित करने के लिए, फ्रेमवर्क HR फीचर्स को दो पूरक प्रायर (complementary priors) में विभाजित करता है:

स्ट्रक्चर प्रायर ( $s_s$ ): स्थिर वैश्विक लेआउट को मॉडल करने के लिए मल्टी-स्केल डेप्थवाइज कनवल्शन का उपयोग करके गहरे HR फीचर्स से निकाला गया है।
डिटेल प्रायर ( $d_s$ ): सूचनात्मक स्थानीय संकेतों को बनाए रखने और हाई-फ्रीक्वेंसी शोर को दबाने के लिए स्थानिक अलाइनमेंट और लाइटवेट चैनल प्रोजेक्शन के माध्यम से उथले (shallower) HR फीचर्स से प्राप्त किया गया है।
रिफाइनमेंट: इन प्रायर को संयोजित किया जाता है ( $g_s = s_s + d_s$ $g_{s} = s_{s} + d_{s}$ ) ताकि LR फीचर्स के शोधन में मार्गदर्शन किया जा सके। यह निम्नलिखित माध्यम से किया जाता है:
- कंडीशनल मॉड्यूलेशन: एक FiLM-आधारित ट्रांसफॉर्मेशन गाइडेंस $g_s$ के आधार पर LR फीचर्स को मॉड्यूलेट करता है।
- गेटेड रेसिडुअल करेक्शन: एक लाइटवेट गेटेड रेसिडुअल प्रेडिक्टर अनुकूल रूप से यह निर्धारित करता है कि मार्गदर्शन कहाँ और कैसे इंजेक्ट किया जाए, जिससे अत्यधिक प्रतिबंधात्मक पिक्सेल-वाइज बाधाओं से बचा जा सके।

3. एनोमली स्कोरिंग और रिलायबिलिटी मॉड्यूलेशन

डिटेक्शन: विसंगतियों का पता उन स्थानिक क्षेत्रों के रूप में लगाया जाता है जहाँ क्रॉस-रिज़ॉल्यूशन अलाइनमेंट टूट जाता है। एनोमली स्कोर को रिफाइंड LR फीचर्स ( $\hat{f}^l_s$ ) और मूल HR फीचर्स ( $f^h_s$ ) के बीच कोसाइन डिसिमिलरिटी (cosine dissimilarity) के आधार पर कंप्यूट किया जाता है।
रिलायबिलिटी मॉड्यूलेशन: शोर वाले क्षेत्रों में अविश्वसनीय गाइडेंस के कारण होने वाले फॉल्स पॉजिटिव को दबाने के लिए, एक स्ट्रक्चर-आधारित रिलायबिलिटी वेट की गणना की जाती है। यह वेट अंतिम एनोमली रिस्पॉन्स को मॉड्यूलेट करता है, जिससे संरचनात्मक रूप से अस्थिर क्षेत्रों में स्प्यूरियस एक्टिवेशन (spurious activations) दब जाते हैं।

4. नॉइज़-अवेयर डेटा ऑगमेंटेशन

औद्योगिक वातावरण में सामान्य परेशान करने वाले कारकों (जैसे बाल, दाग, संदूषण) के विरुद्ध मजबूती बढ़ाने के लिए, प्रशिक्षण प्रक्रिया में नॉइज़-अवेयर ऑगमेंटेशन रणनीति का उपयोग किया जाता है। सामान्य नमूनों के HR और LR दोनों दृश्यों में स्पार्स पॉइंट नॉइज़ और स्ट्रक्चर्ड स्ट्राइप नॉइज़ को सिंथेटिक रूप से इंजेक्ट किया जाता है। यह मॉडल को स्थानीय शोर आर्टिफैक्ट्स के बजाय स्थिर संरचनात्मक सिमेंटिक्स पर ध्यान केंद्रित करने के लिए मजबूर करता है।

5. ट्रेनिंग ऑब्जेक्टिव

मॉडल को विशेष रूप से केवल सामान्य नमूनों पर प्रशिक्षित किया जाता है। प्राथमिक उद्देश्य HR और अलाइन्ड LR फीचर्स के बीच कोसाइन सिमिलरिटी लॉस को कम करना है। इसे कई लाइटवेट रेगुलराइज़र्स द्वारा बढ़ाया जाता है:

फोकल-वेटेड $\ell_1$ फीचर कंसिस्टेंसी।
डिस्ट्रीब्यूशन-लेवल कंसिस्टेंसी (Jensen–Shannon divergence)।
सेकंड-ऑर्डर स्ट्रक्चरल कंसिस्टेंसी के लिए ग्राम-मैट्रिक्स मैचिंग।

मुख्य योगदान

क्रॉस-रिज़ॉल्यूशन इनकंसिस्टेंसी फ्रेमवर्क: एक अभिनव अनसुपरवाइज्ड एनोमली डिटेक्शन फ्रेमवर्क जो स्पष्ट रिकंस्ट्रक्शन या मेमोरी बैंक की आवश्यकता के बिना क्रॉस-रिज़ॉल्यूशन फीचर इनकंसिस्टेंसी के माध्यम से विसंगतियों की पहचान करता है।
स्ट्रक्चर–डिटेल डिकपल्ड गाइडेंस: एक सीखने योग्य अलाइनमेंट मॉड्यूल जो HR फीचर्स को स्ट्रक्चर और डिटेल प्रायर में विभाजित करता है, जिससे बैकबोन पैरामीटर्स को अपडेट किए बिना स्थिर क्रॉस-रिज़ॉल्यूशन फीचर अलाइनमेंट संभव होता है।
नॉइज़-अवेयर ऑगमेंटेशन: एक रणनीति जिसे विशेष रूप से औद्योगिक परिदृश्यों में सामान्य परेशानी पैदा करने वाले पैटर्न (nuisance patterns) को सिम्युलेट करके मजबूती में सुधार करने और फॉल्स पॉजिटिव को कम करने के लिए डिज़ाइन किया गया है।

प्रयोगात्मक परिणाम

विधि का मूल्यांकन MVTec AD और VisA बेंचमार्क पर एक कैटेगरी-एग्नोस्टिक अनसुपरवाइज्ड प्रोटोकॉल का उपयोग करके किया गया।

MVTec AD: HLGFA ने 98.0% पिक्सेल-लेवल AUROC और 97.4% इमेज-लेवल AUROC प्राप्त किया। इसने 65.3% का सर्वश्रेष्ठ पिक्सेल-लेवल एवरेज प्रेसिजन (AP) प्राप्त किया, जो RD4AD, AnomalyCLIP और CRAD जैसी स्टेट-ऑफ-द-आर्ट विधियों से काफी बेहतर है।
VisA: विधि ने 97.9% पिक्सेल-लेवल AUROC और 88.6% इमेज-लेवल AUROC प्राप्त किया, जिसमें पिक्सेल-लेवल AP 40.7% था, जो विविध औद्योगिक दोष श्रेणियों में निरंतर प्रदर्शन प्रदर्शित करता है।
गुणात्मक विश्लेषण (Qualitative Analysis): विजुअल तुलना दर्शाती है कि HLGFA अधिक कॉम्पैक्ट और सटीक एनोमली मैप्स बनाता है जो मौजूदा विधियों की तुलना में ग्राउंड-ट्रुथ क्षेत्रों के साथ बेहतर ढंग से संरेखित होते हैं और सामान्य संरचनाओं पर स्प्यूरियस एक्टिवेशन को दबाते हैं।

महत्व और दावे

पेपर का दावा है कि HLGFA, हाई- और लो-रिज़ॉल्यूशन रिप्रेजेंटेशन के बीच अंतर्निहित विषमता (asymmetry) का लाभ उठाकर रिकंस्ट्रक्शन-आधारित विधियों के लिए एक सिद्धांत-आधारित विकल्प प्रदान करता है।

दक्षता (Efficiency): मेमोरी-आधारित विधियों के विपरीत, HLGFA के लिए इन्फरेंस के दौरान किसी मेमोरी बैंक या रेफरेंस सैंपल की आवश्यकता नहीं होती है, जिससे कम्प्यूटेशनल ओवरहेड कम हो जाता है।
मजबूती (Robustness): स्ट्रक्चर और डिटेल को अलग करके, विधि फीचर अलाइनमेंट को स्थिर करती है, जिससे यह ऑटो-एनकोडर्स में देखी जाने वाली विसंगतियों के "ओवर-जनरलाइजेशन" के प्रति कम संवेदनशील हो जाती है।
औद्योगिक प्रयोज्यता (Industrial Applicability): फ्रेमवर्क को वास्तविक दुनिया के ऑटोमेटेड ऑप्टिकल इंस्पेक्शन (AOI) अनुप्रयोगों के लिए डिज़ाइन किया गया है। इसके लिए प्रशिक्षण के लिए केवल सामान्य नमूनों की आवश्यकता होती है, यह टास्क-विशिष्ट फाइन-ट्यूनिंग के बिना प्री-ट्रेंड बैकबोन का लाभ उठाता है, और फीचर इनकंसिस्टेंसी के आधार पर व्याख्या योग्य (interpretable) एनोमली मैप्स उत्पन्न करता है।

लेखक निष्कर्ष निकालते हैं कि क्रॉस-रिज़ॉल्यूशन अलाइनमेंट विविध औद्योगिक दोषों का पता लगाने के लिए एक मजबूत रणनीति है, विशेष रूप से उन परिदृश्यों में जहाँ असामान्य डेटा दुर्लभ है और बैकग्राउंड जटिल है। भविष्य के कार्य में इस अलाइनमेंट को मल्टी-मोडल इनपुट और फाउंडेशन मॉडल्स तक विस्तारित करने का सुझाव दिया गया है।