AMI-Net (Adaptive Mask Inpainting Network) 是一种新颖的自适应掩码修复网络，专为工业领域的异常检测与定位而设计。该方法通过创新的自适应掩码技术，有效地解决了传统重建方法难以修复异常区域的问题。

核心方法

AMI-Net 的核心方法论主要包括以下几个关键部分：

多尺度特征提取 AMI-Net 利用预训练的卷积神经网络（CNN），例如 WideResNet50，来提取输入图像的多尺度特征。[1] 这样做的好处是能够从不同深度的特征图中获取丰富的语义信息，因为不同尺度的特征图包含了不同层级的语义描述。[1]
随机位置和定量的掩码策略 在训练阶段，AMI-Net 采用随机位置和定量的掩码策略，以提高模型处理各类缺陷的能力。[1] 这种动态调整的掩码方式确保了模型能适应不同大小的工业缺陷。[1][2]
自适应掩码生成器 在测试阶段，AMI-Net 的自适应掩码生成器会根据输入特征动态生成掩码，从而有效遮蔽缺陷区域，同时保留正常区域。[1] 这样，模型可以利用正常的全局上下文信息来修复被掩盖的缺陷区域，有效抑制对缺陷本身的重建。[1]
修复网络 模型将被掩盖的特征输入修复网络进行重建。[1] 之后，通过比较输入特征与重建特征，生成异常得分图，从而实现异常的检测与定位。[1]

核心贡献

AMI-Net 的主要贡献在于其创新性地将自适应掩码修复技术应用于工业异常检测，并取得了显著的效果。其核心贡献可归纳为以下几点：

创新的自适应掩码生成器 该网络提出了一个创新的自适应掩码生成器，能够在测试时有效遮蔽异常区域，同时保留正常区域，从而更好地利用上下文信息修复图像。[3]
多尺度特征重建 与传统方法直接重建像素不同，AMI-Net 使用预训练网络提取多尺度语义特征作为重建目标，提升了模型的性能。
动态掩码策略 训练过程中采用随机位置和动态比例的掩码策略，使模型能够有效处理尺寸多变的工业缺陷。[1][2]
卓越的性能表现 在 MVTec AD 和 BTAD 等多个工业数据集上的大量实验证明，AMI-Net 在检测准确性和实时性方面均表现出色，显示了其在实际工业应用中的巨大潜力。