AdapTS：面向多类持续视觉异常检测的轻量级教师学生方法
计算机视觉与模式识别
2026-03-19 v1 人工智能
摘要
视觉异常检测（VAD）对于工业检验至关重要，但大多数现有方法仅限于单类别场景，无法满足真实环境中多类别和持续学习的需求。尽管教师学生（TS）架构高效，但在持续学习设置下仍未得到探索。为填补这一空白，我们提出AdapTS，一个为多类别和持续学习场景设计的统一TS框架，针对边缘部署进行优化。AdapTS通过利用单一共享的冻结主干网络，并注入轻量级可训练适配器到学生路径中，消除了需要两种不同架构的需求。训练方面，通过分段引导的目标和合成Perlin噪声进行增强，推理时采用基于原型的任务识别机制动态选择适配器，准确率达99%。在MVTec AD和VisA数据集上的实验表明，AdapTS在多类别和持续学习场景中匹配了现有TS方法的性能，同时大幅降低了内存开销。我们最轻量的变体AdapTS-S仅需8 MB的额外内存，相较于STFPM（95 MB）、RD4AD（360 MB）和DeSTSeg（1120 MB）分别少了13倍、48倍和149倍，使其成为复杂工业环境中面向边缘部署的高度可扩展解决方案。
引用
@article{arxiv.2603.17530,
title = {AdapTS: Lightweight Teacher-Student Approach for Multi-Class and Continual Visual Anomaly Detection},
author = {Manuel Barusco and Davide Dalle Pezze and Francesco Borsatti and Gian Antonio Susto},
journal= {arXiv preprint arXiv:2603.17530},
year = {2026}
}