面向通用无监督异常检测的特征洗牌与恢复策略
计算机视觉与模式识别
2026-03-25 v1
摘要
无监督异常检测在工业领域至关重要，复原类方法因其简单性与有效性受青睐。然而，复原方法常遇相同捷径问题：正常区域与异常区域均可被良好复原，难以识别离群点。随着正常数据分布复杂度提升，此问题日益严重。现有方法可能在特定场景下表现优异，但迁移至其他场景时性能骤降。本文聚焦构建适用于不同场景的通用异常检测模型。我们提出一种新颖、简洁却高效的通用异常检测框架：特征洗牌与恢复(FSR)。首先，FSR采用富含语义信息的多尺度特征作为复原目标，而非原始图像像素。随后，将这些多尺度特征划分为不重叠的特征块，随机洗牌后再通过恢复网络恢复至原始状态。该简单范式鼓励模型更关注全局上下文信息。此外，我们提出洗牌率概念，用于调节FSR任务复杂度，从而缓解跨场景捷径问题。我们从网络结构和互信息两个角度提供理论解释。大量实验表明，FSR框架在不同设置下均显著优越且高效。代码已公开于https://github.com/luow23/FSR。
引用
@article{arxiv.2603.22861,
title = {A Feature Shuffling and Restoration Strategy for Universal Unsupervised Anomaly Detection},
author = {Wei Luo and Haiming Yao and Zhenfeng Qiang and Xiaotian Zhang and Weihang Zhang},
journal= {arXiv preprint arXiv:2603.22861},
year = {2026}
}
备注
Accepted by Knowledge-Based Systems