面向大类别空间的双原型条件扩散模型用于可扩展多类无监督异常检测
计算机视觉与模式识别
2026-05-26 v1
摘要
多类异常检测旨在构建跨不同产品类别的统一模型。然而，随着类别数量的增加，性能常会因正常分布日益复杂和异构而下降。为此，我们提出DPDiff-AD，一种双原型条件扩散模型用于大规模多类异常检测。DPDiff-AD通过互补的局部和全局原型来建模异构的正常分布。局部原型通过最近原型聚合捕获代表性的细粒度结构模式，而全局原型通过最优传输正则化调节整体特征几何。这些双尺度表征共同定义了一个结构化的正常性空间。通过双原型条件下的扩散重建来细化这一空间，利用原型感知注意力机制。通过在生成中联合利用双原型，DPDiff-AD实现了精确的正常性建模，保持了随类别基数增长的结构可分性，并实现了可扩展的异常判别。广泛的实验在五个基准数据集上证明了DPDiff-AD的有效性和可扩展性。在160类的大规模数据集上，它在图像和像素级别的AUROC分别提高了5.3和2.9个百分点，超过了之前的最先进方法Dinomaly+，同时在类别基数增加时保持稳定的性能。
引用
@article{arxiv.2605.24402,
title = {Dual Prototype-Conditioned Diffusion Model for Scalable Multi-Class Unsupervised Anomaly Detection in Large Category Spaces},
author = {Yaoxuan Feng and Yuxin Li and Weijiang Lv and Zixuan Zhao and Yubiao Wang and Wenchao Chen and Bo Chen and Hongwei Liu},
journal= {arXiv preprint arXiv:2605.24402},
year = {2026}
}