基于图注意力网络编码的少样本工业视觉异常检测：GATE-AD
计算机视觉与模式识别
2026-03-17 v1
摘要
少样本工业视觉异常检测 (FS-IVAD) 是现代制造业中的关键任务，需仅凭少量正常/无缺陷训练样本即可识别稀有缺陷。在此背景下，本研究提出一种新颖的基于重建的ethods，称为 GATE-AD。具体而言，提出的框架依赖于采用掩码、表示对齐的图注意力网络 (GAT) 编码方案，以学习正常样本的稳健外观模式。通过将稠密的、基于 patch 级别的视觉特征标记作为图节点，模型使用堆叠的自注意力层来适应编码复杂的、不规则的、非欧几里得的、局部关系。该图通过一种基于可学习的潜在空间的表示对齐组件进行了增强，其中高重建残差区域 (即缺陷) 采用缩放余弦误差 (Scaled Cosine Error, SCE) 目标函数进行评估。广泛的对比评估在 MVTec AD、VisA 和 MPDD 工业缺陷检测基准数据集上表明，GATE-AD 在 1 至 8 -shot 设置下实现了在所有设置下均达到最先进水平的性能，综合了最高的检测准确率 (在 MPDD 8-shot 情况下提升最高达 1.8% 的图像 AUROC) 与最低的每图像推理延迟 (至少快 25.05%)，与当前最佳文献方法相比。为促进可重复性和进一步研究，GATE-AD 的源代码已公开于 https://github.com/gthpapadopoulos/GATE-AD。
引用
@article{arxiv.2603.15300,
title = {GATE-AD: Graph Attention Network Encoding For Few-Shot Industrial Visual Anomaly Detection},
author = {Aggelos Psiris and Yannis Panagakis and Maria Vakalopoulou and Georgios Th. Papadopoulos},
journal= {arXiv preprint arXiv:2603.15300},
year = {2026}
}