FlowCLAS：通过对比学习增强归一化流用于异常分割
计算机视觉与模式识别
2026-03-05 v2 机器学习
摘要
异常分割是安全关键机器人应用中必需的能力，这些应用必须意识到意外事件。归一化流 (NF) 是一种有前景的生成模型方法，能够有效地建模内数据分布。然而，它们在动态场景中表现不佳，复杂的多模态数据分布导致它们难以识别离群分布样本，与领先的判别方法之间存在性能差距。为此，我们引入 FlowCLAS，一个混合框架，通过对比学习来增强 NF 的传统最大似然目标。利用离群暴露，此目标显式地在潜空间中强制正常样本和异常样本之间存在分离，保留了 NF 的概率基础，同时嵌入其缺乏的判别能力。我们的方法优势体现在 FlowCLAS 在多个具有挑战性的机器人异常分割基准测试上建立了新的最先进 (SOTA) 性能，其中包括 Fishyscapes Lost & Found、Road Anomaly、SegmentMeIfYouCan-ObstacleTrack 和 ALLO。我们的实验还表明，这种对比方法比其他异常基于训练策略更有效，成功地弥合了与领先判别方法之间的性能差距。项目页面：https://trailab.github.io/FlowCLAS
引用
@article{arxiv.2411.19888,
title = {FlowCLAS: Enhancing Normalizing Flow Via Contrastive Learning For Anomaly Segmentation},
author = {Chang Won Lee and Selina Leveugle and Svetlana Stolpner and Chris Langley and Paul Grouchy and Jonathan Kelly and Steven L. Waslander},
journal= {arXiv preprint arXiv:2411.19888},
year = {2026}
}
备注
WACV 2026 Camera Ready