ABounD：基于对抗边界的多类异常检测少样本学习
计算机视觉与模式识别
2026-03-17 v2
摘要
少样本多类工业异常检测使用单一统一模型和有限的正常样本识别多个类别中各异样本。虽然视觉语言模型提供了强大的泛化能力，但同时建模多个distinct类别的流形而缺乏实际异常数据会导致特征空间坍缩和跨类干扰。因此，现有方法往往难以在可扩展性和精确性之间取得平衡，导致要么需要针对每个类别进行单独重新训练，要么决策边界过于宽松。为解决这一限制，我们提出了称为 ABounD 的一种面向多类的一种 one-for-all 学习框架，将语义概念锚定与几何边界优化相结合。该方法采用两种轻量级机制来解决多类歧义。首先，Dynamic Concept Fusion 模块通过查询感知的层次校准生成类适应的语义锚点，从而分离重叠的类别概念。其次，利用这些锚点，Adversarial Boundary Forging 模块通过合成对抗边界级围栏特征构建紧致且类别特定的决策边界，以防止跨类边界模糊。在单一阶段优化下，ABounD 移除了在少样本设置中需要针对每个类别进行单独重新训练的要求。在七个工业基准数据集上的实验表明，所提出的方法在保持低训练和推理计算成本的同时，实现了多类少样本异常检测的最先进检测和局部化性能。
引用
@article{arxiv.2511.22436,
title = {ABounD: Adversarial Boundary-Driven Few-Shot Learning for Multi-Class Anomaly Detection},
author = {Runzhi Deng and Yundi Hu and Xinshuang Zhang and Zhao Wang and Xixi Liu and Wang-Zhou Dai and Caifeng Shan and Fang Zhao},
journal= {arXiv preprint arXiv:2511.22436},
year = {2026}
}