Beer-Lambert Guided Representation Learning for Unsupervised Anomaly Detection in Sub-THz Food Inspection Images

📄 arXiv: 2606.16421v1 📥 PDF

作者: Gyutae Hwang, Sang Jun Lee

分类: cs.CV

发布日期: 2026-06-15

备注: 6 pages, 3 figures

💡 一句话要点

提出Beer-Lambert引导表示学习以解决Sub-THz食品检测中的异常检测问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 亚太赫兹成像 异常检测 无监督学习 食品安全 表示学习 衰减分解 机器学习

📋 核心要点

  1. 现有无监督异常检测方法主要依赖RGB图像预训练，无法有效捕捉亚太赫兹图像的特性。
  2. 本文提出Beer-Lambert引导表示学习框架，通过衰减分解模块增强对亚太赫兹图像的表示学习。
  3. 实验结果显示，所提方法在Inline-Food-Inspection-THz数据集上显著提升了异常检测性能。

📝 摘要（中文）

食品制造需要可靠的检测系统来识别外来物质污染并确保产品安全。亚太赫兹传输成像提供了依赖于材料的衰减特性，有助于检测食品中的低密度污染物。然而，现有的无监督异常检测方法主要依赖RGB预训练的视觉表示，可能无法充分捕捉亚太赫兹图像的传输行为。本文提出了一种Beer-Lambert引导的表示学习框架，用于亚太赫兹食品检测图像中的无监督异常检测。该方法引入了衰减分解模块作为辅助正则化模块，通过衰减重建在训练过程中约束学生表示。此外，本文还引入了Leave-One-Food-Out协议，以评估在未见食品类别下的泛化能力。实验结果表明，所提方法在Inline-Food-Inspection-THz数据集上显著提高了异常检测性能。

🔬 方法详解

问题定义：本文旨在解决现有无监督异常检测方法在亚太赫兹食品检测图像中无法有效捕捉传输行为的问题。现有方法主要依赖RGB图像预训练，导致对低密度污染物的检测能力不足。

核心思路：论文提出了一种Beer-Lambert引导的表示学习框架，通过引入衰减分解模块，增强模型对亚太赫兹图像的学习能力，从而提高异常检测的准确性。

技术框架：整体架构包括数据输入、衰减分解模块、表示学习模块和异常检测模块。衰减分解模块在训练过程中通过重建衰减特征来约束学生表示，确保模型学习到有效的特征。

关键创新：最重要的技术创新在于引入了衰减分解模块作为辅助正则化手段，区别于传统方法的单一视觉表示学习，增强了对材料特性的理解。

关键设计：在模型设计中，采用了特定的损失函数来优化衰减重建过程，并通过Leave-One-Food-Out协议评估模型在未见食品类别下的泛化能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提方法在Inline-Food-Inspection-THz数据集上，相较于基线方法，异常检测性能显著提升，具体提升幅度未知，展示了该方法在实际应用中的有效性。

🎯 应用场景

该研究的潜在应用领域包括食品安全检测、质量控制和自动化检测系统。通过提高亚太赫兹成像技术在食品检测中的应用效果，能够有效保障食品安全，减少污染风险，具有重要的实际价值和社会影响。

📄 摘要（原文）

Food manufacturing requires reliable inspection systems to detect foreign material contamination and maintain product safety. Sub-THz transmission imaging provides material-dependent attenuation characteristics that are useful for detecting low-density contaminants in food products. However, existing unsupervised anomaly detection methods mainly rely on RGB-pretrained visual representations, which may not adequately capture the transmission behavior of Sub-THz images. This paper proposes a Beer-Lambert guided representation learning framework for unsupervised anomaly detection in Sub-THz food inspection images. The proposed method introduces an attenuation decomposition module as an auxiliary regularization module that constrains student representations through attenuation reconstruction during training. In addition to the conventional one-class setting, we introduce a Leave-One-Food-Out protocol to evaluate generalization capability under unseen food categories. Experimental results on the Inline-Food-Inspection-THz dataset show that the proposed method improves overall anomaly detection performance over the baseline method.