Sintesi Tecnica: ANoCo – Anomalia come Non-Conformità tramite Minimizzazione dell'Energia del Laplaciano di Grafo Senza Addestramento

1. Enunciato del Problema

La rilevazione di anomalie industriali (IAD) mira a identificare campioni difettosi utilizzando esclusivamente immagini normali (prive di difetti), poiché le anomalie sono rare, diversificate e costose da annotare. Gli approcci recenti si sono spostati verso paradigmi few-shot e senza addestramento che sfruttano estrattori di caratteristiche congelati e banche memoria di patch normali.

Tuttavia, i metodi esistenti affrontano due limitazioni principali:

1. Punteggio di Similarità Indipendente: I metodi attuali all'avanguardia (ad es. PatchCore, SPADE) assegnano un punteggio alle anomalie basandosi sulla similarità di una patch di query con i suoi vicini più prossimi in una banca memoria normale. Ciò presuppone che la similarità individuale implichi normalità. L'articolo sostiene che ciò fallisce quando una query è localmente simile a più patch normali recuperate ma globalmente incoerente con la struttura collettiva della varietà normale. In contesti few-shot, dove gli esemplari normali possono catturare modalità multiple (ad es. illuminazione o texture variabili), il $k$-NN può recuperare un insieme plausibile ma mutualmente incoerente di vicini, portando a falsi negativi.
2. Smoothing del Grafo Controproducente: Gli approcci basati su grafi impiegano spesso il passaggio di messaggi o lo smoothing Laplaciano per imporre l'omofilia (accordo tra nodi connessi). Sebbene efficaci per l'apprendimento semi-supervisionato, questi meccanismi sono dannosi per la rilevazione di anomalie perché sfocano le deviazioni tramite il consenso del vicinato, sopprimendo di fatto i segnali stessi necessari per rilevare le anomalie.

2. Metodologia: ANoCo

Gli autori propongono ANoCo (Anomaly as Non-Conformity), un framework senza addestramento che reinterpreta la rilevazione di anomalie non come misurazione della distanza, ma come misurazione del costo della non-conformità. L'ipotesi di fondo è che un'anomalia sia una patch che richiede una deformazione significativa per allinearsi a una varietà normale fissa.

Il metodo procede in tre fasi:

A. Recupero di Patch Normali Guidato da Ancore

Invece di recuperare vicini basandosi esclusivamente sulla similarità della query, ANoCo costruisce un insieme di supporto normale coerente:

1. Selezione dell'Ancora: Per ogni patch di query, la patch normale di riferimento più simile viene identificata come "ancora".
2. Filtraggio della Coerenza: Le patch di riferimento aggiuntive vengono recuperate solo se sono anche simili alla patch ancora. Ciò garantisce che l'insieme recuperato formi una varietà locale strutturalmente coerente, filtrando i vicini che sono localmente simili alla query ma incompatibili con il pattern normale dominante.

B. Costruzione del Grafo Bipartito

Viene costruito un grafo bipartito sparso tra le patch di query e le patch di riferimento recuperate coerenti con l'ancora.

• Pesi degli Archi: Gli archi sono ponderati dal prodotto della similarità coseno e di un fattore di compatibilità della norma (per tenere conto della magnitudine delle caratteristiche).
• Struttura: Crucialmente, il grafo non contiene archi query-query né archi riferimento-riferimento. Ciò previene che le anomalie si auto-rafforzino tramite consenso ed evita lo smoothing eccessivo all'interno dell'insieme delle query.

C. Minimizzazione dell'Energia del Laplaciano Ancorata

Il punteggio di anomalia è derivato da un problema di ottimizzazione che mira a minimizzare l'energia richiesta per far conformare le caratteristiche della query alla varietà normale fissa.

• Obiettivo: Minimizzare una funzione di energia totale $E(\tilde{F}) = E_{lap} + E_{reg}$, dove:
  • $E_{lap} = \tilde{F}^\top L \tilde{F}$ è l'energia del Laplaciano di grafo che impone la conformità tra i nodi query e di riferimento connessi.
  • $E_{reg}$ è un termine di regolarizzazione $\ell_2$ che mantiene le caratteristiche della query ottimizzate vicine ai loro valori iniziali.
• Ancoraggio: I nodi di riferimento sono "ancorati" (congelati) con penalità elevate, garantendo che solo le caratteristiche della query vengano aggiornate.
• Soluzione in Forma Chiusa: A causa della struttura bipartita e della natura diagonale del blocco query nel Laplaciano, l'ottimizzazione si riduce a un semplice sistema lineare risolvibile in forma chiusa:
  $$\tilde{F}_q = (L_{qq} + \Lambda_q)^{-1} (\Lambda_q F_q - L_{qr} F_r)$$
  Ciò non richiede passaggio di messaggi iterativo o campionamento.

D. Punteggio di Anomalia

Le caratteristiche ottimizzate $\tilde{F}_q$ non sono utilizzate come previsioni. Invece, la magnitudine dell'aggiornamento delle caratteristiche (la "deriva delle caratteristiche") necessaria per soddisfare i vincoli di normalità funge da punteggio di anomalia:
$$E_i = \|\tilde{f}^q_i - f^q_i\|^2_2 (1 - \cos(\tilde{f}^q_i, f^q_i))$$
Una grande deriva indica un'alta non-conformità, segnalando un'anomalia.

3. Contributi Chiave

1. Riformulazione dell'Anomalia come Non-Conformità: L'articolo sposta il paradigma da "similarità ai vicini" a "costo dell'allineamento con una varietà". Il punteggio di anomalia è l'energia richiesta per riconciliare una query con la struttura normale.
2. Ottimizzazione in Forma Chiusa Senza Addestramento: Il metodo non introduce parametri apprendibili, passaggio di messaggi o campionamento. Risolve un problema convesso di minimizzazione dell'energia Laplaciana in forma chiusa con una complessità paragonabile a una singola risoluzione lineare.
3. Progettazione del Grafo Bipartito: Rimuovendo esplicitamente gli archi intra-query e intra-riferimento, il metodo previene la diluizione delle prove e preserva i segnali di anomalia che altrimenti verrebbero smussati dagli approcci grafici tradizionali.
4. Interpretabilità Fisica: Il punteggio di anomalia ha un chiaro significato fisico: il costo energetico per adattarsi alla varietà normale.

4. Risultati Sperimentali

Il metodo è stato valutato sui benchmark MVTec-AD e VisA in configurazioni 1-shot, 2-shot e 4-shot, confrontandosi con recenti baseline senza addestramento e few-shot (ad es. PatchCore, WinCLIP, INP-Former).

• Prestazioni: ANoCo ottiene risultati all'avanguardia in tutte le configurazioni shot.
  • Su MVTec-AD (1-shot): Raggiunge 97.9% AUROC a livello di immagine e 97.7% AUROC a livello di pixel, superando il precedente migliore (INP-Former con 96.6% e 97.0% rispettivamente).
  • Su VisA (1-shot): Raggiunge 92.7% AUROC a livello di immagine e 98.7% AUROC a livello di pixel, mostrando miglioramenti significativi nella stabilità della localizzazione.
• Studi di Ablazione:
  • La rimozione della struttura bipartita o del recupero guidato da ancore porta a cali di prestazioni, confermando la necessità di prevenire l'auto-rafforzamento e garantire la coerenza della varietà.
  • Il metodo supera costantemente le baseline anche quando confrontato con le stesse architetture backbone (ad es. DINOv3, CLIP), indicando che i guadagni sono guidati dalla formulazione della non-conformità piuttosto che dalla sola qualità delle caratteristiche.
• Efficienza: Nonostante il passaggio di ottimizzazione, ANoCo è altamente efficiente. Su un backbone CLIP, elabora i campioni in 14ms, significativamente più velocemente di WinCLIP (1560ms), grazie alla soluzione in forma chiusa.
• Generalizzazione: Il metodo dimostra anche prestazioni solide sul dataset medico OCT2017, suggerendo applicabilità oltre gli ambienti industriali.

5. Significato e Affermazioni

L'articolo afferma che ANoCo dimostra l'efficacia dell'uso della deriva delle caratteristiche indotta dall'ottimizzazione come misura robusta per la rilevazione di anomalie. Riutilizzando il Laplaciano di grafo da operatore di smoothing a operatore di non-conformità, il metodo rileva con successo deviazioni sottili che le metriche di similarità indipendenti non colgono.

Gli autori sottolineano che l'approccio è:

• Semplice da distribuire: Non richiede addestramento e una regolazione minima degli iperparametri.
• Robusto: Fornisce mappe di localizzazione stabili anche con anomalie fini o irregolari.
• Teoricamente fondato: Offre un'interpretazione chiara dell'anomalia come costo energetico di incompatibilità con la varietà, risolvendo la contraddizione per cui lo smoothing grafico tipicamente sopprime i segnali di anomalia.

Il lavoro suggerisce che i futuri sistemi di rilevazione di anomalie dovrebbero concentrarsi sulla misurazione della difficoltà di conformarsi alle strutture normali piuttosto che sulla semplice misurazione della distanza verso singoli esemplari.