打破语义霸权：主谱分离用于通用OOD检测
计算机视觉与模式识别
2026-02-06 v1
摘要
虽然基于特征的后处理方法在离群检测（OOD）方面取得了显著进展，但我们发现现有最先进（SOTA）模型存在一种反直觉的“简单性悖论”：这些模型在区分语义细微的离群样本方面表现敏锐，但在面对结构上distinct yet语义简单的样本或高频传感器噪声时却表现出严重的几何盲区。我们将这一现象归因于深层特征空间中的语义霸权，并通过神经崩塌（Neural Collapse）的视角揭示其数学本质。理论分析表明，由于主谱空间的高方差导致的谱浓度偏差，数值上遮蔽了在残差谱中应具有显著意义的结构分布迁移信号。为此，我们提出D-KNN，这是一种无训练、即插即用的几何解耦框架。该方法利用正交分解显式分离语义成分和结构残差，并引入双空间校准机制以重新激活模型对弱残差信号的敏感性。大量实验表明，D-KNN有效打破了语义霸权，在CIFAR和ImageNet基准上建立了新的SOTA性能。尤其在解决简单性悖论时，将FPR95从31.3%降至2.3%；在处理高斯噪声等传感器故障时，提升检测性能（AUROC）从基线79.7%提升至94.9%。
引用
@article{arxiv.2602.05360,
title = {Breaking Semantic Hegemony: Decoupling Principal and Residual Subspaces for Generalized OOD Detection},
author = {Ningkang Peng and Xiaoqian Peng and Yuhao Zhang and Qianfeng Yu and Feng Xing and Peirong Ma and Xichen Yang and Yi Chen and Tingyu Lu and Yanhui Gu},
journal= {arXiv preprint arXiv:2602.05360},
year = {2026}
}