一张图像就够了：无需训练数据的零样本异常定位
计算机视觉与模式识别
2025-09-24 v1 人工智能
机器学习
图像与视频处理
摘要
图像中的异常检测通常通过从训练数据集合中学习或依赖参考样本来解决。然而在许多现实场景中，此类训练数据可能不可用，仅提供测试图像本身。我们通过提出一种单图像异常定位方法来解决这一零样本设定，该方法利用卷积神经网络的归纳偏置，灵感来源于深度图像先验（Deep Image Prior）。我们的方法命名为单次分解网络（SSDnet）。我们的核心假设是自然图像通常表现出统一的纹理和模式，而异常表现为这些重复或随机模式的局部偏差。为了学习深度图像先验，我们设计了一个基于块的训练框架，输入图像直接送入网络进行自重建，而非像DIP那样将随机噪声映射为图像。为避免模型简单地学习恒等映射，我们应用了掩码、块打乱和小高斯噪声。此外，我们使用基于内积相似性的感知损失来捕捉像素保真度之外的结构。我们的方法无需外部训练数据、标签或参考，在噪声或缺失像素存在的情况下依然鲁棒。SSDnet在MVTec-AD上达到0.99 AUROC和0.60 AUPRC，在织物数据集上达到0.98 AUROC和0.67 AUPRC，超越了最先进方法。实现代码将发布于 https://github.com/mehrdadmoradi124/SSDnet
引用
@article{arxiv.2509.18354,
title = {A Single Image Is All You Need: Zero-Shot Anomaly Localization Without Training Data},
author = {Mehrdad Moradi and Shengzhe Chen and Hao Yan and Kamran Paynabar},
journal= {arXiv preprint arXiv:2509.18354},
year = {2025}
}
备注
12 pages, 10 figures, 1 table. Preprint submitted to a CVF conference