Cet article propose CostFilter-AD, qui introduit le concept de filtrage de coût, emprunté aux tâches d'appariement classiques telles que l'estimation de la profondeur et du débit, dans le problème UAD. Cette approche vise à résoudre le problème d'imprécision dans le processus de dérivation des scores d'anomalies en s'appuyant sur l'appariement au niveau de l'image ou des caractéristiques dans les méthodes existantes de détection d'anomalies non supervisées (UAD). CostFilter-AD construit un volume de coût d'appariement entre les échantillons d'entrée et les échantillons normaux, et supprime le bruit d'appariement tout en préservant la structure des contours et en capturant les anomalies subtiles grâce à un réseau de filtrage de volume de coût guidé par les observations d'entrée. Il est conçu comme un plugin de post-traitement générique intégrable aux méthodes de reconstruction et d'intégration. Des expériences approfondies sur les benchmarks MVTec-AD et VisA démontrent les avantages généraux de CostFilter-AD pour les tâches UAD mono- et multi-classes.
