AnomalyDINO：基于 DINOv2 提升基于补丁的零样本异常检测
计算机视觉与模式识别
2025-03-14 v3
摘要
最近的多模态基础模型进步为零样本异常检测树立了新标准。本文探讨了高质量视觉特征是否足以超越现有 SOTA 视觉语言模型。我们肯定了这一观点，通过针对零样本和少样本异常检测适配 DINOv2，聚焦工业应用。我们表明，该方法不仅与现有技术不相上下，甚至在许多情境下超越它们。我们提出的 vision-only 方法 AnomalyDINO 遵循众所周知的基于补丁的深度最近邻范式，实现图像级异常预测和像素级异常分割。该方法在方法论上简单且 training-free，无需额外数据进行 fine-tuning 或 meta-learning。尽管方法论简单，AnomalyDINO 在零样本和少样本异常检测中实现了 SOTA 成绩（例如，将 MVTec-AD 的零样本性能 AUROC 从 93.1% 提升至 96.6%）。其降低的开销结合卓越的少样本性能，使 AnomalyDINO 成为快速部署（如工业场景）的强有力候选人。
引用
@article{arxiv.2405.14529,
title = {AnomalyDINO: Boosting Patch-based Few-shot Anomaly Detection with DINOv2},
author = {Simon Damm and Mike Laszkiewicz and Johannes Lederer and Asja Fischer},
journal= {arXiv preprint arXiv:2405.14529},
year = {2025}
}
备注
Accepted at WACV 2025 (Oral)