CNC：用于无监督多类异常检测的跨模态正常性约束
计算机视觉与模式识别
2025-01-03 v1 人工智能
机器学习
摘要
现有无监督蒸馊式方法依赖于编码特征与解码特征之间的差异来定位测试图像中的异常区域。然而，仅在正常样本上训练的解码器仍能较好地重建异常图块特征，导致性能下降。这种现象在无监督多类异常检测任务中尤为突出。我们将这种行为归因于解码器的过度泛化 (OG)：多类训练中图块模式多样性的显著增加既增强了模型对正常图块的泛化能力，又不经意地扩大了对异常图块的泛化范围。为缓解 OG，我们提出了一种新方法，利用类无关可学习提示捕获各种视觉模式的通用文本正常性，然后将其应用于引导解码特征趋向正常文本表示，从而抑制解码器对异常图块模式的过度泛化。为进一步提高性能，我们还引入了门控混合专家模块，用于处理多样化的图块模式并减少它们在多类训练中的相互干扰。我们的方法在 MVTec AD 和 VisA 数据集上实现了具竞争力的性能，证明了其有效性。
引用
@article{arxiv.2501.00346,
title = {CNC: Cross-modal Normality Constraint for Unsupervised Multi-class Anomaly Detection},
author = {Xiaolei Wang and Xiaoyang Wang and Huihui Bai and Eng Gee Lim and Jimin Xiao},
journal= {arXiv preprint arXiv:2501.00346},
year = {2025}
}
备注
Accepted by AAAI 2025