超越正常参考:判别式少样本异常检测
计算机视觉与模式识别
2026-05-25 v1
摘要
本文考虑一种实际的少样本异常检测(FSAD)情境，称为判别式FSAD，其中在推理阶段可获得有限数量的正常和异常示例作为参考。现有FSAD方法依赖正常参考通过正常性匹配，忽略了异常参考中判别线索，而直接拟合两者参考又会对已见异常过拟合。我们引入IDEAL（内在偏差学习框架），利用两种参考类型学习内在偏差模式，将异常性定义为相对于正常性的偏差。IDEAL将学习过程分解为两个新组件：1) Normal Variation Eraser 以抑制可能导致从正常性偏差产生噪声的余访正常变化，从而突出突显异常相关偏差表示；2) Intrinsic Deviation Encoder 将这些去噪后的偏差表示分解为内在偏差向量，捕获最具判别性的正交偏差方向。在推理阶段，IDEAL对查询到正常性偏差在学习到的内在偏差向量上的投影进行评分，从而为已见和未见异常实现泛化。广泛的实验表明，IDEAL对未见异常具有有效的泛化能力，持续优于现有SOTA FSAD方法。代码和数据将在\href{https://github.com/mala-lab/IDEAL}{https://github.com/mala-lab/IDEAL}提供。
引用
@article{arxiv.2605.23231,
title = {Beyond Normal References: Discriminative Few-Shot Anomaly Detection},
author = {Huan Wang and Jun Shen and Jun Yan and Guansong Pang},
journal= {arXiv preprint arXiv:2605.23231},
year = {2026}
}
备注
31 pages