Autores: Sohn, Kihyuk*; Yoon, Jinsung; Li, Chun-Liang; Lee, Chen-Yu; Pfister, Tomas Descripción: Estudiamos el agrupamiento de anomalías, agrupando datos en clústeres coherentes de tipos de anomalía. Esto es diferente de la detección de anomalías que busca dividir las anomalías de los datos normales. A diferencia del agrupamiento de imágenes centrado en objetos, el agrupamiento de anomalías es particularmente desafiante ya que los patrones anómalos son sutiles y locales. Presentamos un marco de agrupamiento simple pero efectivo utilizando embeddings profundos preentrenados basados en parches y métodos de agrupamiento convencionales. Definimos una función de distancia entre imágenes, cada una de las cuales se representa como un conjunto de embeddings, mediante la distancia euclidiana entre embeddings promediados ponderados. El peso define la importancia de las instancias (es decir, embeddings de parches) en el conjunto, lo que puede resaltar regiones defectuosas. Calculamos los pesos de manera no supervisada o de manera semisupervisada cuando hay datos normales etiquetados disponibles. Amplios estudios experimentales muestran la efectividad del marco de agrupamiento propuesto junto con una nueva función de distancia en comparación con marcos de agrupamiento de múltiples instancias o profundos existentes. En general, nuestro marco logra 0.451 y 0.674 en puntuaciones de información mutua normalizada en las categorías de objetos y texturas de MVTec y mejora aún más con algunos datos normales etiquetados (0.577, 0.669), superando con creces las líneas base (0.244, 0.273) o los métodos de agrupamiento profundo de última generación (0.176, 0.277).