AgentIAD：通过自适应记忆增强的智能体工业异常检测
计算机视觉与模式识别
2026-04-17 v2
摘要
工业异常检测（IAD）具有挑战性，因为许多缺陷具有细微且高度局部的特性，单次通过的视觉-语言模型（VLM）往往无法捕捉到这些缺陷。此外，现有方法缺乏在推理过程中主动获取互补证据的机制。我们提出了 AgentIAD，一个智能体视觉-语言框架，通过统一的动作空间实现迭代式工业检测。该智能体在检测过程中动态访问两种形式的记忆：通过感知变焦器（PZ）实现的视觉记忆，用于细粒度的局部分析；以及通过网络搜索器（WS）和比较检索器（CR）实现的检索记忆，用于外部知识获取和跨实例验证。这种设计使模型能够通过多轮感知-动作推理逐步收集证据。为了在稀疏监督下有效学习此类策略，AgentIAD 采用两阶段训练策略：工具感知的监督微调首先初始化结构化推理和记忆访问行为，随后通过智能体强化学习优化长期决策策略。大量实验表明，在相同骨干网络下，AgentIAD 在 MMAD 基准测试上将分类准确率较先前最先进方法提高了 5.92%，同时提供了更可靠和可解释的异常分析。
引用
@article{arxiv.2512.13671,
title = {AgentIAD: Agentic Industrial Anomaly Detection via Adaptive Memory Augmentation},
author = {Junwen Miao and Penghui Du and Yingying Fan and Yi Liu and Yu Wang and Runze He and Lida Huang and Yan Wang},
journal= {arXiv preprint arXiv:2512.13671},
year = {2026}
}