Explainable Visual Anomaly Detection via Concept Bottleneck Models

Título: Detecção de Anomalias Visuais Explicável via Modelos de Gargalo de Conceitos (CONVAD)

1. O Problema

A Detecção de Anomalias Visuais (VAD) é crucial em setores como manufatura, medicina e vigilância. O objetivo é identificar defeitos em imagens utilizando apenas dados normais durante o treinamento.

• Limitação Atual: Embora os modelos de VAD modernos consigam gerar mapas de calor (localização de pixels anômalos), essas explicações visuais carecem de interpretabilidade semântica. Elas mostram onde está o defeito, mas não explicam o que é o defeito em termos humanos (ex: "racha", "mancha", "cor irregular").
• Desafio de Dados: A coleta de dados anômalos rotulados é cara e difícil, especialmente em ambientes industriais com grande variedade de defeitos.
• Gap de Pesquisa: Não existia, até o momento, uma aplicação bem-sucedida de Modelos de Gargalo de Conceitos (CBMs) no cenário de VAD, o que permitiria previsões baseadas em conceitos humanos interpretáveis.

2. Metodologia: CONVAD

Os autores propõem o CONVAD (Concept-Aware Visual Anomaly Detection), um framework que adapta os CBMs para o cenário de detecção de anomalias, combinando explicabilidade semântica com localização espacial.

A. Pipeline de Criação do Dataset de Conceitos
Como não existem datasets de VAD com anotações de conceitos, os autores desenvolveram um pipeline automatizado baseado em Modelos de Linguagem Visuais (VLMs), como o Gemma3:

1. Criação Contextual: Seleciona uma amostra representativa de imagens (5% do dataset) e usa prompts de "Cadeia de Pensamento" (Chain-of-Thought) para extrair descrições e conceitos semânticos relevantes para defeitos específicos.
2. Agrupamento e Filtragem: Usa o VLM para agrupar conceitos semanticamente relacionados e remove duplicatas usando o encoder de texto do CLIP (similaridade de cosseno > 0.9).
3. Anotação Automática: O VLM é consultado novamente para atribuir rótulos binários (presente/ausente) de cada conceito a todas as imagens do dataset.

B. Arquitetura Dual-Branch (Dupla Ramificação)
Para superar a limitação dos CBMs padrão (que apenas classificam a imagem inteira), o CONVAD utiliza duas ramificações:

1. Ramificação CBM (Explicabilidade de Conceito):
   • Extrai conceitos intermediários (vetor de conceitos) da imagem.
   • Um preditor de rótulos mapeia esses conceitos para a decisão final (Normal/Anômalo).
   • Permite intervenção em tempo de teste: um especialista pode corrigir manualmente um conceito previsto incorretamente, e o modelo atualiza a previsão sem retreinamento.
2. Ramificação Visual (Localização de Pixels):
   • Utiliza uma arquitetura Estudante-Professor (inspirada em métodos como PatchCore/STFPM).
   • O "Professor" é uma rede pré-treinada e ajustada com os objetivos do CBM. O "Estudante" é inicializado aleatoriamente e treinado para imitar o professor apenas em amostras normais.
   • Durante a inferência, a discrepância entre os mapas de características do Estudante e do Professor gera um mapa de calor de anomalia (localização pixel a pixel).

C. Geração de Anomalias Sintéticas (SAG)
Para reduzir a dependência de dados anômalos reais, o framework utiliza um sistema de edição de imagem (baseado em Nano Banana do Google) para gerar defeitos sintéticos realistas em imagens normais, guiados por prompts de texto que especificam o tipo de defeito e mantêm o contexto da imagem original.

3. Principais Contribuições

1. Primeira Adaptação de CBMs para VAD: Introduz um framework baseado em conceitos para explicar anomalias, preenchendo uma lacuna na literatura.
2. Avaliação de Regimes de Supervisão: Analisa o trade-off entre desempenho e esforço de rotulagem, comparando:
   • Supervisão Total (todos os anômalos reais).
   • Supervisão Fraca (poucas amostras reais, ex: 1 ou 3 por tipo de defeito).
   • Geração Sintética (apenas defeitos gerados artificialmente).
   • Combinações (Fraca + Sintética).
3. Arquitetura Dual: Combina a riqueza semântica dos conceitos (explicação textual) com a precisão espacial dos mapas de calor (explicação visual).
4. Robustez Cross-Dataset: Validação em três benchmarks industriais padrão: MVTec AD, VisA e Real-IAD.
5. Dataset Público: Os autores liberaram os datasets de conceitos anotados e o código para facilitar pesquisas futuras.

4. Resultados

O CONVAD foi avaliado comparado a métodos clássicos de VAD (como PatchCore, STFPM) e a diferentes regimes de treinamento:

• Desempenho de Detecção:

  • No cenário de Supervisão Total, o CONVAD alcança desempenho comparável ou superior aos métodos state-of-the-art (ex: PatchCore), mesmo utilizando uma rede backbone muito menor (MobileNet-v2 com ~2.25M parâmetros vs. WideResNet-50).
  • No cenário Weakly+SAG (poucas amostras reais + sintéticas), o modelo atinge um desempenho robusto, superando significativamente a linha de base não supervisionada (STFPM), especialmente em categorias com defeitos pequenos e difíceis (ex: capsule, grid, screw).
  • O cenário puramente sintético (SAG) mostra resultados variados: funciona bem para defeitos genéricos, mas sofre domain shift em defeitos complexos, indicando que a geração sintética ainda não substitui totalmente os dados reais.

• Explicabilidade e Intervenção:

  • O modelo fornece previsões de conceitos (ex: "superfície irregular", "cor escura") com alta precisão (C-AUC).
  • Intervenção Humana: A correção manual de apenas um pequeno subconjunto de conceitos previstos incorretamente resulta em ganhos significativos de precisão na detecção final, validando a utilidade da colaboração humano-máquina.

• Eficiência:

  • O modelo é extremamente leve (inferência de 15ms em CPU), tornando-o viável para ambientes com recursos limitados (Edge Computing), ao contrário de métodos que dependem de VLMs massivos em tempo de inferência.

5. Significado e Conclusão

O trabalho demonstra que é possível aliar alta performance em detecção de anomalias com explicabilidade profunda e interatividade.

• Impacto Industrial: Ao permitir que operadores entendam por que uma peça foi rejeitada (através de conceitos como "racha" ou "sujeira") e corrigir o modelo em tempo real, o CONVAD aumenta a confiança e a adoção de sistemas de IA na indústria.
• Viabilidade de Dados Escassos: A abordagem híbrida (poucos dados reais + dados sintéticos) oferece uma estratégia prática e econômica para treinar modelos explicáveis sem a necessidade de coletar grandes volumes de dados de defeitos raros.
• Futuro: Os autores planejam melhorar a qualidade da geração sintética e usar o módulo visual para detectar tipos de defeitos nunca vistos anteriormente, movendo-se em direção a uma VAD totalmente não supervisionada e explicável.