近日，TIME实验室2021级硕士生张芮凡一篇论文“JRCC-Net: A Segmentation Network with Joint Representation and Contrast Clustering for Surface Anomaly Detection”（作者：张芮凡，王浩，冯明尧，刘一锟，杨公平）被仪器和测量领域权威期刊IEEE Transactions on Instrumentation and Measurement （TIM）期刊录用，影响因子（IF）为 5.6。TIM由IEEE计算机协会主办，是国际仪器测量领域顶尖和著名学术期刊之一，属于中科院二区期刊和JCR一区期刊。

无监督表面异常检测的目标是检测图像中与正常模式不同的区域，这可以被认为是一个面向异常模式的语义分割问题。在 本文中，我们提出了一个具有联合表示和对比聚类的分割网络（JRCC-Net）。所提出的方法在模拟样本和与其最近的记忆样本的距离差异大小之间学习联合表示，以及在正常和异常样本之间学习决策边界。此外，我们提出了一种新颖的基于对比聚类的表征学习策略，这使得模型能够更好地从正常样本中学习一般模式，并挖掘模拟异常样本和正常样本之间的潜在差异。JRCC-Net能够以端到端的方式直接定位异常，并且能够通过我们精心设计的异常模拟策略进行良好的训练。在具有挑战性的MVTec AD数据集上，JRCC-Net超过了最先进的无监督方法，分别达到了98.2%的图像级AUROC和97.7%的像素级AUROC，甚至在广泛使用的DAGM数据集上，其定位精度也大大超过了完全监督的方法。