AnomalyMoE：迈向统一视觉异常检测的无语言通用模型
计算机视觉与模式识别
2025-08-11 v1
摘要
异常检测是跨众多领域和模态的关键任务，然而现有方法通常高度专业化，限制了其泛化能力。这些为特定异常类型（如纹理缺陷或逻辑错误）量身定制的专用模型，在部署到其指定上下文之外时通常表现出有限的性能。为了克服这一限制，我们提出了 AnomalyMoE，一种基于专家混合（MoE）架构的新颖通用异常检测框架。我们的核心见解是将复杂的异常检测问题分解为三个不同的语义层次：局部结构异常、组件级语义异常和全局逻辑异常。AnomalyMoE 相应地在块、组件和全局级别采用了三个专用的专家网络，并专门在其指定的语义级别上重建特征和识别偏差。这种分层设计使得单个模型能够同时理解并检测广泛的异常。此外，我们引入了一个专家信息排斥（EIR）模块以促进专家多样性，以及一个专家选择平衡（ESB）模块以确保所有专家的全面利用。在涵盖工业成像、3D 点云、医学成像、视频监控和逻辑异常检测的 8 个具有挑战性的数据集上的实验表明，AnomalyMoE 建立了新的最先进性能，显著优于其各自领域的专用方法。
引用
@article{arxiv.2508.06203,
title = {AnomalyMoE: Towards a Language-free Generalist Model for Unified Visual Anomaly Detection},
author = {Zhaopeng Gu and Bingke Zhu and Guibo Zhu and Yingying Chen and Wei Ge and Ming Tang and Jinqiao Wang},
journal= {arXiv preprint arXiv:2508.06203},
year = {2025}
}