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.

Immagina di essere un ispettore di qualità in una grande fabbrica che produce pezzi di rame, acciaio o marmo. Il tuo compito è trovare anche il più piccolo graffio o difetto su questi materiali.

Il problema è che i difetti sono rari. Nella vita reale, quasi tutto ciò che esce dalla catena di montaggio è perfetto. Quindi, se provi ad addestrare un computer mostrandogli solo "pezzi perfetti" e dicendogli: "Se vedi qualcosa di diverso, è un difetto", il computer diventa confuso. Penserà che un semplice cambiamento di luce o una variazione naturale del materiale sia un difetto, oppure non riuscirà a capire che tipo di difetto cercare, perché non ne ha mai visti abbastanza.

Gli autori di questo studio, chiamati ExDD, hanno risolto questo problema con un approccio geniale che possiamo paragonare a due banchi di memoria separati e a un magico pittore robot.

Ecco come funziona, spiegato passo dopo passo:

1. Il Problema: "Tutto ciò che è strano è un difetto?"

I vecchi metodi pensavano che i difetti fossero come "intrusi" casuali in una folla di persone perfette. Immagina di cercare un ladro in un parco: se pensi che il ladro possa essere chiunque non sembri un turista, potresti arrestare per sbaglio un bambino che ha la faccia sporca di gelato. È un errore perché i veri ladri (i difetti industriali) hanno un aspetto specifico e prevedibile, non sono solo "strani".

2. La Soluzione: Due Banchi di Memoria (Il "Cervello" a Doppia Faccia)

Invece di insegnare al computer solo com'è un oggetto perfetto, ExDD gli dà due banchi di memoria (due cassetti mentali):

Il Cassetto dei Perfetti (Memoria Negativa): Qui il computer memorizza milioni di immagini di oggetti perfetti. Sa esattamente come deve essere una superficie liscia.
Il Cassetto dei Difetti (Memoria Positiva): Questo è il trucco! Invece di aspettare che i difetti reali arrivino (che sono pochi), il sistema crea dei difetti finti ma realistici e li mette in questo cassetto.

Così, quando arriva un nuovo oggetto da controllare, il computer non chiede solo: "È diverso dal perfetto?". Chiede: "È diverso dal perfetto E assomiglia a qualcosa che ho già visto nel cassetto dei difetti?". Se la risposta è sì, allora è un difetto vero!

3. Il Magico Pittore Robot (Diffusion Models)

Ma come si riempie il "Cassetto dei Difetti" se non abbiamo abbastanza difetti reali?
Qui entra in gioco l'intelligenza artificiale generativa (chiamata Diffusion Model). Immagina un pittore robot molto esperto che ha letto i manuali tecnici.

Tu gli dici: "Voglio vedere un graffio sul rame" o "Voglio una macchia bianca sul muro".
Il robot non inventa cose a caso (come farebbe un bambino che dipinge a caso). Usa la sua conoscenza del mondo reale per dipingere difetti che sembrano veri, mantenendo la texture e la luce corretta del materiale.
Questi "difetti finti" vengono aggiunti al cassetto dei difetti, insegnando al sistema esattamente cosa cercare.

4. Il Sistema di Voto (La "Scheda di Valutazione")

Quando il sistema controlla un oggetto nuovo, fa un calcolo intelligente:

Guarda quanto l'oggetto è diverso dai pezzi perfetti (Cassetto 1).
Guarda quanto l'oggetto è simile ai difetti che ha imparato (Cassetto 2).

Poi calcola un rapporto: "Quanto è strano rispetto alla perfezione" diviso "Quanto assomiglia a un difetto noto".

Se un oggetto è molto strano e assomiglia molto a un difetto noto -> È un difetto! (Allarme rosso).
Se un oggetto è un po' strano (magari per la luce) ma non assomiglia a nessun difetto noto -> È tutto ok. (Niente allarme).

Perché è importante?

Questo metodo è come avere un ispettore che non si lascia ingannare dalle ombre o dalle variazioni naturali del materiale.

Risultati: Sulle prove fatte su un database industriale reale, questo sistema ha raggiunto un'accuratezza del 94-97%, battendo tutti i metodi precedenti.
Il segreto: Funziona meglio quando si aggiungono circa 100 difetti sintetici creati dal robot. Se ne metti troppi, il sistema si confonde un po', ma con la quantità giusta diventa quasi infallibile.

In sintesi: ExDD ha smesso di cercare "l'anomalia generica" e ha iniziato a insegnare al computer a riconoscere specificamente cosa è un difetto, usando un pittore robot per creare esempi di addestramento quando quelli reali scarseggiano. È un passo avanti enorme per rendere le fabbriche più sicure e i prodotti di migliore qualità.

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

1. Il Problema

Il rilevamento di difetti superficiali nell'industria manifatturiera è fondamentale per il controllo qualità, ma le attuali soluzioni affrontano due limitazioni critiche:

Scarsità di dati annotati: I difetti sono rari nelle linee di produzione, rendendo difficile l'addestramento di modelli supervisionati.
Limiti dell'approccio "One-Class": I metodi tradizionali di rilevamento delle anomalie (come PatchCore o PaDiM) si basano esclusivamente su campioni normali. Assumono implicitamente che le anomalie siano distribuite uniformemente nello spazio delle caratteristiche complementari. Tuttavia, i difetti industriali reali (es. graffi, macchie) spesso formano distribuzioni distinte e strutturate nello spazio delle caratteristiche, che non sono semplici outlier uniformi. Questo porta a falsi positivi e a una scarsa capacità di localizzazione precisa.
Generazione sintetica inadeguata: I metodi precedenti per generare dati sintetici (es. tramite GAN o rumore casuale) spesso producono artefatti fuori distribuzione che non rispettano il contesto industriale reale, compromettendo l'apprendimento delle caratteristiche.

2. Metodologia: Il Framework ExDD

Gli autori propongono ExDD (Explicit Dual Distribution), un framework unificato che supera i limiti dei metodi one-class combinando la modellazione esplicita di due distribuzioni con la sintesi di difetti basata su modelli di diffusione.

A. Architettura a Doppia Memoria (Dual Memory Bank)

A differenza dei metodi che memorizzano solo le caratteristiche "normali", ExDD utilizza due banche memoria parallele:

Memoria Negativa ( $M_N$ ): Memorizza le caratteristiche dei patch provenienti da immagini nominali (senza difetti).
Memoria Positiva ( $M_P$ ): Memorizza le caratteristiche dei patch provenienti da campioni anomali (difetti).
- Nota: Per le immagini reali, richiede annotazioni a livello di pixel per isolare i patch difettosi. Per le immagini sintetiche, la localizzazione è automatica calcolando la differenza tra l'immagine originale e quella generata.

B. Generazione di Anomalie con Diffusione (Diffusion-Augmented Training)

Per colmare il divario di dati, ExDD integra un modello di diffusione latente (LDM) condizionato dal testo:

Vengono utilizzati prompt testuali specifici del dominio (es. "graffi metallici", "macchie bianche") per guidare la generazione.
Il modello (basato su Stable Diffusion XL) utilizza tecniche di inpainting su immagini nominali per creare difetti sintetici che preservano le proprietà statistiche e il contesto industriale reale.
Questi difetti sintetici vengono aggiunti alla Memoria Positiva, arricchendola con pattern di anomalie diversificati ma realistici.

C. Meccanismo di Punteggio "Ratio-Aware"

Il cuore innovativo del rilevamento è un nuovo meccanismo di scoring che fonde le informazioni delle due memorie:

Calcolo delle Distanze: Per ogni patch di test, si calcola:
- $s_N^*$ : Distanza minima dalla Memoria Negativa (quanto è diverso dal normale).
- $s_P^*$ : Distanza minima dalla Memoria Positiva (quanto è simile a un difetto noto).
Pesatura Consapevole del Vicinato: Vengono applicati pesi basati sulla densità locale per amplificare i segnali nelle regioni dove il patch è isolato rispetto alla normalità ma vicino ai pattern di difetto.
Punteggio di Rapporto (Ratio Scoring): Il punteggio finale di anomalia è dato dal rapporto:
$S_{ratio} = \frac{s_N}{s_P + \epsilon}$
Questo rapporto amplifica il segnale di anomalia quando un patch è molto diverso dal normale (alto $s_N$ ) e molto simile a un difetto noto (basso $s_P$ ), creando un confine decisionale molto più robusto rispetto ai metodi one-class.

3. Contributi Chiave

Apprendimento di Distribuzione Duale Esplicita: Formalizza il rilevamento dei difetti come un problema di separazione di due distribuzioni di caratteristiche (normale e difettosa), abbandonando l'assunzione di outlier uniformi.
Training Potenziato dalla Diffusione: Introduce un pipeline di generazione di dati sintetici tramite LDM condizionati da testo, che espande la memoria dei difetti mantenendo la fedeltà geometrica e contestuale.
Meccanismo di Scoring Ratio: Propone una nuova metrica che combina distanza dall'normalità e similarità al difetto, sfruttando la struttura a doppia memoria per migliorare la separabilità e ridurre i falsi positivi.

4. Risultati Sperimentali

Il metodo è stato valutato sul dataset industriale KSDD2 (contenente difetti come graffi e macchie su rame e altri materiali).

Prestazioni Quantitative:
- I-AUROC (Rilevamento a livello di immagine): ExDD (configurazione completa) raggiunge il 94.2%, superando lo stato dell'arte (es. IRP al 94.0%, PatchCore al 91.2%).
- P-AUROC (Localizzazione a livello di pixel): Raggiunge il 97.7%, un miglioramento significativo rispetto a PatchCore (95.8%) e una vittoria schiacciante su metodi precedenti come DRAEM (42.4%) e DSR (61.4%).
Analisi dell'Augmentation:
- L'aggiunta di dati sintetici migliora progressivamente le prestazioni.
- Il punto ottimale è raggiunto con 100 campioni sintetici (50 per prompt), dove si ottiene il picco di performance. Un numero superiore (150) non porta benefici aggiuntivi e può leggermente degradare le prestazioni, indicando un punto di saturazione della diversità sintetica.
Analisi Qualitativa: Le mappe di calore generate da ExDD mostrano confini più netti e una migliore allineamento con le maschere ground-truth, riducendo i falsi positivi nelle regioni di sfondo rispetto ai metodi one-class.

5. Significato e Impatto

Il lavoro di ExDD rappresenta un avanzamento significativo nel campo del controllo qualità industriale:

Superamento del paradigma One-Class: Dimostra che modellare esplicitamente la distribuzione dei difetti, anche se scarsa, è superiore all'assumere che i difetti siano semplicemente "non-normali".
Integrazione Generazione-Rilevamento: Colma il divario tra la generazione di dati sintetici e il pipeline di rilevamento, permettendo un'ottimizzazione congiunta che i metodi precedenti non offrivano.
Robustezza in scenari reali: La capacità di generare difetti sintetici contestualmente rilevanti permette di addestrare sistemi robusti anche quando i dati reali di difetti sono estremamente limitati, un problema comune nelle fabbriche moderne.

In sintesi, ExDD offre una soluzione elegante e ad alte prestazioni che combina l'evoluzione dei modelli di diffusione con una nuova architettura di apprendimento metrico, stabilendo un nuovo standard per il rilevamento e la localizzazione dei difetti superficiali.