DNP引导的对比重建与反向蒸馏Transformer用于医学异常检测
计算机视觉与模式识别
2025-08-28 v1
摘要
医学图像中的异常检测具有挑战性，因为标注有限且与自然图像存在领域差距。现有的重建方法通常依赖冻结的预训练编码器，这限制了向领域特定特征的适应并降低了定位精度。基于原型的学习提供了可解释性和聚类优势，但 suffers from prototype collapse，其中少数原型主导训练，损害多样性和泛化能力。为解决这一问题，我们提出了一种统一框架，结合可训练编码器与原型引导重建以及一种新颖的多样性感知对齐损失(Diversity-Aware Alignment Loss)。该可训练编码器通过动量分支增强，支持稳定的领域自适应特征学习。轻量级原型提取器挖掘信息丰富的正常原型，通过注意力引导解码器进行精确重建。我们的损失通过多样性约束和每原型归一化强制平衡原型使用，有效防止崩溃。在多个医学影像基准上的实验表明，在表示质量和异常定位方面均有显著提升，优于先前方法。可视化和原型分配分析进一步验证了我们的防崩溃机制和增强可解释性的有效性。
引用
@article{arxiv.2508.19573,
title = {DNP-Guided Contrastive Reconstruction with a Reverse Distillation Transformer for Medical Anomaly Detection},
author = {Luhu Li and Bowen Lin and Mukhtiar Khan and Shujun Fu},
journal= {arXiv preprint arXiv:2508.19573},
year = {2025}
}