探索无监督连续异常检测的多模态提示
计算机视觉与模式识别
2026-03-24 v1
摘要
无监督连续异常检测（UCAD）正因有效解决传统无监督异常检测中的灾难性遗忘问题和计算负担问题而受到关注。然而，仅依赖视觉信息的现有 UCAD 方法不足以捕捉复杂场景下正常范畴的流形，从而阻碍了异常检测精度的进一步提升。为克服这一限制，我们提出一种基于多模态提示的无监督持续异常检测框架。具体而言，我们引入一种持续多模态提示存储库（CMPMB），通过从连续任务中不断提炼并保留视觉与文本域中的原型正常模式，构建对正常性更丰富的表征。进一步，我们构思一种由 Defect-Semantic-Guided Adaptive Fusion Mechanism（DSG-AFM）构成的框架，集成自适应归一化模块（ANM）与动态融合策略（DFS），以联合提升检测精度和对抗鲁棒性。在 MVTec AD 和 VisA 数据集上的基准实验表明，我们的方法在图像级别的 AUROC 指标和像素级别的 AUPR 指标上实现了最新的最佳性能（SOTA）。
引用
@article{arxiv.2603.21562,
title = {Exploring Multimodal Prompts For Unsupervised Continuous Anomaly Detection},
author = {Mingle Zhou and Jiahui Liu and Jin Wan and Gang Li and Min Li},
journal= {arXiv preprint arXiv:2603.21562},
year = {2026}
}