基于超图增强记忆的少样本多模态异常检测中的共性
计算机视觉与模式识别
2025-11-18 v2
摘要
少样本多模态工业异常检测是关键且备受忽视的任务，能够快速适应复杂的工业场景。在少样本设置下，训练样本数不足往往无法覆盖测试样本中呈现的多样化模式。通过从少数训练样本中提取结构性共性，可有效缓解这一挑战。本文提出一种基于结构性共性的少样本无监督多模态工业异常检测方法，即CIF（Commonality In Few）。为了提取类别内结构信息，我们采用超图，这类图能够建模更高阶的相关性，以捕捉训练样本中的结构性共性，并使用记忆库存储这些类别内结构先验。首先，我们设计了一个针对单语义工业图像的语义感知超图构建模块，从中提取公共结构以指导记忆库的构建。其次，我们使用训练无监督的超图消息传递模块来更新测试样本的视觉特征，减小测试特征与记忆库中特征之间的分布差距。我们进一步提出了超边引导的记忆搜索模块，利用结构信息辅助记忆搜索过程，降低误报率。实验结果表明，在MVTec 3D-AD数据集和Eyecandies数据集上，我们的方法在少样本设置下优于现有的领先方法（SOTA）。我们的代码已公开于https://github.com/Sunny5250/CIF。
引用
@article{arxiv.2511.05966,
title = {Commonality in Few: Few-Shot Multimodal Anomaly Detection via Hypergraph-Enhanced Memory},
author = {Yuxuan Lin and Hanjing Yan and Xuan Tong and Yang Chang and Huanzhen Wang and Ziheng Zhou and Shuyong Gao and Yan Wang and Wenqiang Zhang},
journal= {arXiv preprint arXiv:2511.05966},
year = {2025}
}
备注
Accepted by AAAI 2026