BAAF：一种用于无监督图像异常检测的通用一类分类器转换方法
计算机视觉与模式识别
2026-03-24 v2
摘要
检测图像和视频中的异常值是解决多个实际问题的关键任务，包括工业检查、计算机辅助诊断和环境监测。异常检测通常被形式化为一类分类问题，即训练数据仅由名义值组成，这使得基于此假设的方法容易受到训练标签噪声的影响。我们提出 Bootstrap Aggregation Anomaly Filtering（BAAF），一种将任意一类分类器基于的异常检测器转换为完全无监督方法的方法。这是通过利用异常检测的独特内在属性实现的：异常在样本数据中不常见且通常是异构的。这些属性使我们能够设计一种修改版 Bootstrap Aggregation 方法，该方法使用多个独立训练的监督一类分类器实例来过滤训练数据集中的异常值。这种转换不需要对底层异常检测器进行修改；仅需更改用于训练的算法选择数据包。我们通过实证研究表明，该方法可以将广泛的一种类分类器基于的图像异常检测器转换为无监督方法。因此，我们首次提出了用于图像的无监督逻辑异常检测器。我们还展示了该方法在 MVTec AD、ViSA 和 MVTec Loco AD 数据集上实现无监督异常检测的状态突破性能。随着对一类分类器的改进，本方法可直接将这些改进传递到无监督领域，实现了领域间的联结。
引用
@article{arxiv.2602.13091,
title = {BAAF: Universal Transformation of One-Class Classifiers for Unsupervised Image Anomaly Detection},
author = {Declan McIntosh and Alexandra Branzan Albu},
journal= {arXiv preprint arXiv:2602.13091},
year = {2026}
}
备注
6 figures, 14 pages main paper, 25 pages total with supplemental