近日，TIME实验室2021级硕士生张芮凡一篇论文“Dual-Constraint Auto-encoder and Adaptive Weighted Similarity Spatial Attention for Unsupervised Anomaly Detection”（作者：张芮凡，王浩，冯明尧，刘一琨，杨公平）被工业信息领域顶级期刊IEEE Transactions on Industrial Informatics （TII）期刊录用。TII是IEEE旗下工业信息领域的顶级期刊，属于中科院一区Top期刊，2023年影响因子（IF）为12.3。该期刊关注工业信息领域的理论和应用问题，涵盖基于知识和人工智能增强的自动化、机器人和计算机视觉等相关的工业信息学，以及工业过程中的安全等内容。TII在全球自动化与控制系统领域期刊影响力排名第3位，同时也是中国自动化学会(CAA)推荐的A类期刊，对计算机与自动化工业研究领域具有极高的影响力。

基于自编码器的图像重建方法已被广泛用于无监督异常检测。通过在正常样本上训练重建，自编码器应该为异常样本产生较高的重建误差，该误差被用作检测异常的指标。然而，由于自编码器采用瓶颈层来重建数据，因此很难控制其泛化能力。当泛化能力很强时，异常特征可能与正常特征混淆，导致对异常区域的准确重建。为了应对这个问题，本文提出了一种双约束自编码器，通过对抗学习和全局记忆库的双重约束来缓解特征混淆问题。给定一个由正常样本和该正常样本生成的合成异常样本组成的样本对作为输入，所提出的自编码器首先通过对抗学习迫使合成异常图像的编码接近正常编码。然后，合成异常编码用记忆库中的项进行重新表示，该记忆库中记录了有助于图像修复的正常特征，重新表示后的新特征被馈送到解码器进行图像修复。在这些约束下，自编码器的泛化能力被抑制，将不会很好地重建异常区域。之后，我们将合成异常图像与修复后的图像一起输入到我们提出的AWSSA-UNet中，并在我们提出的自适应加权相似性空间注意力的帮助下生成精确的异常预测图。在MVTec AD数据集和BTAD数据集上的结果表明，我们的框架实现了最先进的性能。