一种对比学习引导的置信元学习用于零样本异常检测
计算机视觉与模式识别
2025-08-26 v1 机器学习
摘要
工业和医疗异常检测面临数据稀缺和高昂标注成本的关键挑战，特别是在不断发展的制造和医疗环境中。为了解决这个问题，我们提出了 CoZAD，这是一个新颖的零样本异常检测框架，将软置信学习与元学习和对比特征表示相结合。与丢弃不确定样本的传统置信学习不同，我们的方法为所有训练数据分配基于置信度的权重，在强调典型正常模式的同时保留边界信息。该框架在 Model-Agnostic Meta-Learning 中通过基于 IQR 的阈值量化数据不确定性，并通过基于协方差的正则化量化模型不确定性。对比学习创建了具有判别性的特征空间，其中正常模式形成紧凑的簇，从而实现快速领域适应。在跨越工业和医疗领域的 10 个数据集上的综合评估展示了 SOTA 性能，在 7 个工业基准中的 6 个上优于现有方法，在纹理丰富的数据集上取得了显著改进（DTD-Synthetic 上 99.2% I-AUROC，BTAD 上 97.2%）以及像素级定位（MVTec-AD 上 96.3% P-AUROC）。该框架消除了对视觉-语言对齐或模型集成的依赖，使其在需要快速部署的资源受限环境中极具价值。
引用
@article{arxiv.2508.17827,
title = {A Contrastive Learning-Guided Confident Meta-learning for Zero Shot Anomaly Detection},
author = {Muhammad Aqeel and Danijel Skocaj and Marco Cristani and Francesco Setti},
journal= {arXiv preprint arXiv:2508.17827},
year = {2025}
}
备注
Accepted to VISION Workshop at ICCV 2025