面向少样本异常检测的双向蒸馏

异常检测是计算机视觉中的关键任务，在医学影像中具有深远影响，因为及时发现疾病可直接影响患者预后。虽然最近的无监督异常检测方法表现有前景，但需要大量正常训练数据且在解剖背景之间难以泛化。我们提出D$^2$4FAD（Dual Distillation for Few-Shot Anomaly Detection），一种新颖的少样本异常检测框架，通过少量正常参考图像即可识别先前未见的任务中的异常。我们的方法利用预训练编码器作为教师网络，从支持图像和查询图像中提取多尺度特征，同时学生解码器在查询图像上从教师处蒸馏知识并在支持图像上自蒸馏。我们进一步提出了学习加权机制，动态评估每个支持图像在给定查询条件下的参考价值，以优化异常检测性能。为评估我们的方法，构建了包含13,084幅图像的综合基准数据集，覆盖四个器官、四种成像模式和五类疾病。广泛实验表明，D$^2$4FAD显著优于现有方法，建立了少样本医学异常检测的新型态极致。代码已发布于 https://github.com/ttttqz/D24FAD。