压缩全局特征条件异常检测
计算机视觉与模式识别
2025-12-29 v1 机器学习
摘要
异常检测在工业中具有重要意义，尤其是在异常数据有限的场景中。目前的主要方法聚焦于重建基方法和无监督表征基方法。然而，无监督表征方法在域迁移下难以提取稳健特征，而重建基方法则因约束不足导致训练效率低和性能下降。为此，我们提出一种新方法，称为压缩全局特征条件异常检测（CCAD）。CCAD 通过将全局特征作为重建模型的新型条件模态，融合了两种方法的优势。此外，我们设计了自适应压缩机制以提升泛化性和训练效率。大量实验表明，CCAD 在 AUC 上持续优于最先进方法，同时实现更快收敛。我们还提供了一个重新组织和重新标注的 DAGM 2007 数据集，以进一步验证方法有效性。复现主要结果的代码已发布于 https://github.com/chloeqxq/CCAD。
引用
@article{arxiv.2512.21459,
title = {CCAD: Compressed Global Feature Conditioned Anomaly Detection},
author = {Xiao Jin and Liang Diao and Qixin Xiao and Yifan Hu and Ziqi Zhang and Yuchen Liu and Haisong Gu},
journal= {arXiv preprint arXiv:2512.21459},
year = {2025}
}
备注
18 pages, 9 figures