💻 computer science

SwinAD: Multi-stage feature reconstruction for unsupervised industrial anomaly detection

O SwinAD é um framework de reconstrução de características em múltiplos estágios que aproveita um codificador Swin Transformer V2 congelado e um decodificador de preservação de diversidade para alcançar detecção competitiva em nível de imagem e localização superior em nível de pixel em detecção de anomalias industriais multiclasse não supervisionada.

Autores originais: Huong Ninh, Chien Thai, Mai Xuan Trang, Vu-Minh Le, Thanh Ha Le, Long Tran

Publicado 2026-07-17

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Huong Ninh, Chien Thai, Mai Xuan Trang, Vu-Minh Le, Thanh Ha Le, Long Tran

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é o chefe de controle de qualidade em uma fábrica massiva e de alta tecnologia. Seu trabalho é identificar os "frutos estragados" em um mar de produtos perfeitos. Nos velhos tempos, você precisaria de uma equipe de especialistas para olhar cada item e desenhar um círculo ao redor de cada arranhão, amassado ou rachadura. Mas aqui está o problema: os defeitos são raros, surgem em milhares de formas estranhas e você não pode possivelmente treinar um humano (ou um computador) para reconhecer cada tipo de erro antes que ele aconteça. Então, cientistas criaram um truque inteligente: em vez de ensinar ao computador como uma coisa "quebrada" se parece, eles apenas mostram a ele um milhão de exemplos de coisas "perfeitas". O computador aprende o padrão da perfeição tão bem que, quando vê algo que não se encaixa, ele grita: "Ei, isso é estranho!". Isso é chamado de detecção de anomalias não supervisionada. É como ensinar um segurança a reconhecer o som normal de um chão de fábrica; se um ruído estranho surge, o segurança sabe que algo está errado sem nunca ter ouvido aquele ruído específico antes.

Mas há um porém. A maioria desses computadores de "padrão perfeito" é como especialistas que só conhecem um tipo de produto. Se você mudar da fabricação de garrafas de vidro para a produção de porcas de metal, terá que construir um computador inteiramente novo do zero. Isso é lento, caro e um pesadelo para grandes fábricas que produzem dezenas de coisas diferentes. Pesquisadores estão tentando construir um "supercérebro" que possa lidar com todos os diferentes produtos ao mesmo tempo. O desafio é que, quando você mistura diferentes produtos, o computador fica confuso. Ele pode pensar que um padrão normal de um produto é um defeito em outro, ou pode se tornar tão generalista que ignora pequenos e sutis arranhões. A grande questão é: Como construímos um único cérebro que seja inteligente o suficiente para saber a diferença entre uma porca de metal "normal" e uma garrafa de vidro "quebrada", mas que ainda seja aguçado o suficiente para detectar uma rachadura capilar?

Apresentamos o SwinAD, um novo método proposto pelos pesquisadores Huong Ninh, Chien Thai e sua equipe. Pense no SwinAD como um detetive de alta tecnologia que usa um tipo especial de "supervisão" para resolver o mistério dos defeitos industriais. Em vez de tentar memorizar cada produto individualmente, ele utiliza um "cérebro" pré-treinado (chamado de Swin Transformer) que já aprendeu a enxergar o mundo em camadas, desde detalhes minúsculos como textura e bordas até formas e significados de grande escala. Este cérebro está congelado, o que significa que ele não aprende coisas novas durante o teste; ele apenas fornece uma visão estável e confiável da imagem.

A verdadeira magia do SwinAD acontece na forma como ele tenta "reconstruir" ou reconstruir a imagem que vê. Imagine que você está olhando para uma peça de quebra-cabeça perfeita. Um computador normal poderia tentar copiá-la exatamente. Mas o SwinAD é mais esperto. Ele utiliza um truque especial chamado reconstrução de preservação de diversidade de características. Em vez de tentar construir apenas uma cópia da peça perfeita, ele constrói duas cópias ligeiramente diferentes ao mesmo tempo. É como pedir a dois artistas diferentes para desenhar a mesma maçã perfeita. Um pode focar no brilho, o outro na curvatura. Desde que ambos os desenhos pareçam uma maçã válida, o computador sabe que a peça original era normal. Mas se a peça original fosse, na verdade, uma batata com um arranhão, nenhum dos dois artistas conseguiria desenhar uma maçã perfeita a partir dela. O descompasso entre o que o computador vê e o que ele tenta desenhar torna-se um sinal vermelho brilhante.

Ao comparar a imagem original contra essas duas diferentes "hipóteses" do que um objeto normal deveria parecer, o SwinAD consegue detectar até os defeitos mais ínfimos e sutis. Ele não diz apenas "Esta imagem é ruim"; ele desenha um mapa preciso mostrando exatamente onde está o arranhão ou a rachadura. Os pesquisadores testaram isso em três grandes conjuntos de dados industriais (MVTec AD, VisA e Real-IAD), que são como as "Olimpíadas" da detecção de defeitos. Eles descobriram que o SwinAD é incrivelmente bom em localizar defeitos, muitas vezes superando os melhores métodos atuais. Mais impressionante ainda, ele faz isso usando menos poder computacional e rodando em tamanhos de imagem menores do que seus concorrentes. Isso sugere que, ao manter o cérebro de "supervisão" congelado e usar uma estratégia de desenho duplo para preservar a variedade, podemos construir um sistema único e eficiente que mantém nossas fábricas funcionando suavemente, detectando os frutos estragados sem precisar de um especialista separado para cada fruta na cesta.

Resumo Técnico: SwinAD para Detecção de Anomalias Industriais Multiclasse Não Supervisionada

Definição do Problema
A detecção de anomalias industriais (IAD) visa identificar e localizar regiões defeituosas sem depender de anotações exaustivas de todos os possíveis tipos de defeitos. Embora métodos não supervisionados recentes tenham alcançado um desempenho sólido, a maioria é projetada para Detecção de Anomalias Não Supervisionada de Classe Única (SUAD), exigindo um modelo separado para cada categoria de objeto. Essa abordagem acarreta altos custos computacionais e de memória ao escalar para sistemas industriais com numerosos tipos de produtos. Consequentemente, a Detecção de Anomalias Não Supervisionada Multiclasse (MUAD), que utiliza um único modelo unificado para múltiplas categorias, é preferível, mas permanece um desafio. A diversidade de padrões normais entre diferentes classes pode levar a uma generalização excessiva, reduzindo a capacidade discriminativa entre regiões normais e anômalas. Além disso, os métodos existentes baseados em reconstrução frequentemente priorizam representações semânticas de alto nível para discriminação global, o que pode suprimir os detalhes espaciais finos necessários para uma localização precisa ao nível de pixel.

Metodologia: SwinAD
Os autores propõem o SwinAD, um framework hierárquico baseado em reconstrução projetado para detecção de anomalias não supervisionada multiclasse. O framework consiste em três componentes primários:

Extração de Características Hierárquica:
O SwinAD utiliza um Swin Transformer V2 pré-treinado e congelado como codificador de imagem. Diferente dos métodos que utilizam Vision Transformers (ViT) padrão, que focam em semântica global, a estrutura hierárquica do Swin Transformer fornece características multiescala ( $F_1$ a $F_4$ ) que capturam tanto texturas locais (em camadas rasas) quanto estruturas semânticas (em camadas profundas). Para aumentar a robustez, os autores agregam características através de todos os blocos no terceiro estágio, em vez de depender apenas da saída do bloco final. O codificador permanece congelado durante o treinamento para preservar representações estáveis e discriminativas aprendidas a partir de dados de larga escala.
Reconstrução de Diversidade de Características Preservada:
Para abordar o problema do colapso determinístico de características — onde um único decodificador aprende a reconstruir todos os padrões normais em um único protótipo, falhando em capturar a diversidade do manifold dos dados normais — o SwinAD emprega uma arquitetura de duplo-decodificador. Em vez de um único ramo de reconstrução, o framework mantém duas hipóteses de reconstrução complementares ( $D_1$ e $D_2$ ).
- Módulos de Gargalo (Bottleneck): Módulos de gargalo por estágio com dropout são inseridos entre o codificador e os decodificadores. O dropout evita o mapeamento de identidade trivial, forçando os decodificadores a aprender reconstruções robustas de padrões normais em vez de simplesmente copiar as características do codificador.
- Regularização de Diversidade: Uma perda de divergência baseada em cosseno é introduzida para desencorajar explicitamente que as duas características reconstruídas colapsem em representações idênticas. Isso garante que o modelo preserve uma estrutura de manifold mais ampla de padrões normais, melhorando a generalização para variações normais não vistas.
Estimativa de Mapa de Anomalia Multiescala:
A detecção de anomalias é formulada como a medição da discrepância entre as características do codificador e as duas características reconstruídas através de múltiplas escalas. O escore de anomalia em cada localização espacial é computado usando a distância de cosseno entre as características concatenadas do codificador e as características concatenadas reconstruídas. Esses mapas de anomalia por escala são redimensionados para uma resolução unificada, ponderados e agregados para produzir um mapa de anomalia final, que é posteriormente refinado via suavização Gaussiana.

Principais Contribuições

Estratégia de Codificação Hierárquica: O uso de um codificador Swin Transformer V2 congelado para extrair representações multiescala que equilibram detalhes de textura local com contexto semântico global, especificamente adaptado para o cenário de MUAD.
Framework de Preservação de Diversidade de Características: A introdução de um mecanismo de reconstrução de dupla hipótese que mitiga o colapso de característica determinístico. Ao manter múltiplas hipóteses de reconstrução, o método preserva melhor a diversidade dos padrões normais, aumentando a robustez a mudanças de distribuição e melhorando a discriminação entre estruturas locais normais e anômalas.
Avaliação Abrangente: O método é avaliado em três benchmarks de MUAD amplamente utilizados (MVTec AD, VisA e Real-IAD), demonstrando desempenho competitivo em nível de imagem e precisão superior de localização ao nível de pixel em comparação com métodos de estado da arte.

Resultados Experimentais
Experimentos conduzidos no MVTec AD, VisA e Real-IAD demonstram a eficácia do SwinAD:

MVTec AD: O SwinAD atinge um AUROC de nível de imagem de 99,4% e um AP de nível de pixel de 74,4%, superando o baseline mais forte (Dinomaly) em 5,1% em AP de nível de pixel, apesar de operar em uma resolução de entrada menor (256×256 vs. 392×392 para o Dinomaly).
VisA: O método atinge um AP de nível de pixel de 58,0% e um F1-score de 57,3%, melhorando o Dinomaly em 4,8% e 1,6%, respectivamente.
Real-IAD: O SwinAD obtém o melhor desempenho de nível de imagem (89,5% AUROC) e o melhor AP de nível de pixel (49,4%) e F1 (52,0%) entre os métodos comparados.
Eficiência: O SwinAD requer significativamente menos parâmetros (159,01M) e FLOPs (54,32 G) comparado ao Dinomaly em altas resoluções, atingindo aproximadamente 20 FPS em uma única GPU NVIDIA RTX A5000.
Estudos de Ablação: Os resultados confirmam que os estágios intermediários do codificador (Estágio 2 e 3) fornecem o melhor equilíbrio para localização e que a estratégia de diversidade de duplo-decodificador melhora consistentemente o desempenho sobre os baselines de decodificador único, particularmente em datasets complexos como Visá e Real-IAD.

Significância e Alegações
O artigo afirma que o SwinAD fornece uma solução eficaz e eficiente para a detecção de anomalias não supervisionada multiclasse, combinando características hierárquicas Swin com reconstrução multiescala diversa. Os autores argumentam que a principal limitação dos métodos de reconstrução existentes não é a capacidade de reconstrução insuficiente, mas sim o colapso de representação excessivo causado pelo aprendizado determinístico. Ao preservar a diversidade de características através de hipóteses de reconstrução complementares, o SwinAD alcança um melhor equilíbrio entre robustez semântica e precisão de localização. Os resultados indicam que esta abordagem é particularmente adequada para sistemas industriais escaláveis onde a eficiência computacional e a localização precisa ao nível de pixel são críticas, oferecendo uma alternativa prática para manter modelos separados para cada categoria de produto.

Mais como este