用于开集监督异常检测的分布原型扩散学习
计算机视觉与模式识别
2026-05-20 v3
摘要
在开集监督异常检测(OSAD)中，现有方法通常生成伪异常以弥补观测异常样本的稀缺性，却忽略了正常样本的关键先验，导致判别边界效果不佳。为解决此问题，我们提出了一种分布原型扩散学习(DPDL)方法，旨在将正常样本包围在一个紧凑且具判别性的分布空间内。具体而言，我们构建多个可学习的高斯原型，为丰富多样的正常样本创建潜在表示空间，并学习薛定谔桥以促进正常样本向这些原型的扩散转移，同时将异常样本推开。此外，为增强样本间分离度，我们在超球面空间中设计了一种离散特征学习方式，有利于识别分布外异常。实验结果证明了我们提出的 DPDL 的有效性与优越性，在 9 个公开数据集上取得了 SOTA 性能。
引用
@article{arxiv.2502.20981,
title = {Distribution Prototype Diffusion Learning for Open-set Supervised Anomaly Detection},
author = {Fuyun Wang and Tong Zhang and Yuanzhi Wang and Yide Qiu and Xin Liu and Xu Guo and Zhen Cui},
journal= {arXiv preprint arXiv:2502.20981},
year = {2026}
}
备注
Accepted by CVPR 2025