基于冻结 DINO-V3 特征的无监督异常检测框架 DINO-AD
图像与视频处理
2026-02-05 v1 计算机视觉与模式识别
摘要
无监督医学图像异常检测旨在识别无需像素级标注的异常区域，这对于可扩展且高效的诊断系统至关重要。本文提出一种基于 DINO-V3 表示的新型异常检测框架，称为 DINO-AD，利用自监督视觉特征实现精确且可解释的异常局部化。具体而言，我们引入嵌入相似度匹配策略以选择语义对齐的支撑图像，并设计前景感知 K 均值聚类模块以建模正常特征的分布。随后通过余弦相似度将查询特征与聚类正常嵌入进行比较，计算异常图。实验在 Brain 和 Liver 数据集上表明，本方法在定量指标上优于现有 SOTA 方法，AUROC 最高可达 98.71。定性结果进一步确认本框架生成的异常局部化更清晰、更准确。大量消失实验验证了每个构件的有效性，凸显了本方法的鲁棒性与可泛化性。
引用
@article{arxiv.2602.03870,
title = {DINO-AD: Unsupervised Anomaly Detection with Frozen DINO-V3 Features},
author = {Jiayu Huo and Jingyuan Hong and Liyun Chen},
journal= {arXiv preprint arXiv:2602.03870},
year = {2026}
}
备注
Accepted by ISBI 2026, 4 pages, 2 figures, 3 tables