Continual-MEGA：面向可泛化持续异常检测的大规模基准
计算机视觉与模式识别
2026-02-09 v3
摘要
在本文中，我们引入了一个用于异常检测持续学习的新基准，旨在更好地反映真实世界的部署场景。我们的基准 Continual-MEGA 包含一个大规模且多样化的数据集，通过将精心筛选的现有数据集与我们新提出的数据集 ContinualAD 相结合，显著扩展了现有的评估设置。除了在扩展数量上的标准持续学习外，我们还提出了一种新的场景，用于衡量对未见类别（即在持续适应期间未观察到的类别）的零样本泛化能力。这一设置提出了一个新的问题设定，即持续适应也能增强零样本性能。我们还提出了一种统一的基线算法，提高了少样本检测的鲁棒性并保持了强大的泛化能力。通过广泛的评估，我们报告了三个关键发现：（1）现有方法仍有很大的改进空间，特别是在像素级缺陷定位方面；（2）我们提出的方法持续优于先前的方法；（3）新引入的 ContinualAD 数据集增强了强大异常检测模型的性能。我们在 https://github.com/Continual-Mega/Continual-Mega 上发布了基准和代码。
引用
@article{arxiv.2506.00956,
title = {Continual-MEGA: A Large-scale Benchmark for Generalizable Continual Anomaly Detection},
author = {Geonu Lee and Yujeong Oh and Geonhui Jang and Soyoung Lee and Jeonghyo Song and Sungmin Cha and YoungJoon Yoo},
journal= {arXiv preprint arXiv:2506.00956},
year = {2026}
}