基于概念瓶颈模型的可解释视觉异常检测
计算机视觉与模式识别
2026-03-17 v2 人工智能
摘要
近年来，视觉异常检测（VAD）因其仅使用正常图像进行训练即可识别缺陷的能力而受到广泛关注。许多VAD模型在无监督的情况下工作，但仍能通过突出显示图像中异常区域来提供视觉解释。然而，尽管这些视觉解释有助于理解，却缺乏对用户而言直接且在语义上有意义的解释。为此，我们提出了将概念瓶颈模型（CBMs）扩展到VAD情境的做法。通过学习有意义的概念，网络能够提供对异常的可人类理解的描述，从而以更具洞察力的方式解释异常。我们的主要贡献有三点：（i）首次引入基于概念的框架，将CBMs扩展到VAD情境，用于异常解释；（ii）评估了多种监督模式，从完全监督到仅合成异常，分析了性能与标注 effort 之间的权衡；（iii）提出了双分支体系结构，将CBM分支用于概念层面的解释，与用于像素级别异常定位的视觉分支相结合，桥接语义可解释性和空间可解释性。在三个广为人知的VAD基准测试中评估我们的方法，概念感知视觉异常检测（CONVAD）实现了与经典VAD方法相当的性能，同时提供了更丰富、以概念为导向的解释，增强了VAD系统的可解释性和可信度。
引用
@article{arxiv.2511.20088,
title = {Explainable Visual Anomaly Detection via Concept Bottleneck Models},
author = {Arianna Stropeni and Valentina Zaccaria and Francesco Borsatti and Davide Dalle Pezze and Manuel Barusco and Gian Antonio Susto},
journal= {arXiv preprint arXiv:2511.20088},
year = {2026}
}