边缘上持续视觉异常检测：基准测试与高效解决方案
计算机视觉与模式识别
2026-04-09 v1 人工智能
摘要
视觉异常检测（VAD）是许多应用（包括工业检验和医疗保健）中的关键任务。尽管VAD已被广泛研究，但在两个关键挑战的共同作用下仍基本未被解决：边缘部署时计算资源严格受限，以及持续学习时模型必须在不忘记先前已获取知识的前提下适应演变的数据分布。我们的基准测试提供了在联合效率和适应性约束下选择最佳 backbone 和 VAD 方法的指导，刻画了内存占用、推理成本与检测性能之间的权衡。单独研究这些挑战是不够的，因为为一个设置设计的方法在同时施加另一个约束时所做的假设会失效。在本工作中，我们提出了首个针对持续学习场景下边缘VAD的全面基准测试，评估了七个VAD模型 across 三种轻量级 backbone 架构。此外，我们提出了Tiny-Dinomaly，这是一种基于DINO基础模型构建的轻量级Dinomaly模型 adaptation，实现了13倍更小的内存占用和20倍更低的计算成本，同时将像素 F1 提升了5个百分点。最后，我们对PatchCore和PaDiM进行针对性修改，以提高其在持续学习设置下的效率。
关键词
引用
@article{arxiv.2604.06435,
title = {Continual Visual Anomaly Detection on the Edge: Benchmark and Efficient Solutions},
author = {Manuel Barusco and Francesco Borsatti and David Petrovic and Davide Dalle Pezze and Gian Antonio Susto},
journal= {arXiv preprint arXiv:2604.06435},
year = {2026}
}