GCR：用于任务无关性持续异常检测的几何一致路由
计算机视觉与模式识别
2026-01-09 v2
摘要
特征基方法因大型预训练视觉编码器的强表达能力而广泛用于工业检查。在此背景下，大多数现有方法聚焦于提高类别内异常评分，而实际部署日益需要任务无关的操作，以应对持续的类别扩张，在测试时类别身份未知。于是在此设置下，整体性能常常受制于专家选择，即在应用任何特定头的评分之前，将输入路由到合适的正常性模型。然而，比较独立构建的各头间异常分数的路由规则在实际中不可靠，因为分数分布在尺度和尾部行为上差异显著。我们提出 GCR，即一种通过几何一致路由稳定任务无关持续异常检测的轻量级混合专家框架。GCR 通过最小化对类别特定原型库累积最近原型距离，直接在共享的冻结 patch-embedding 空间中路由每个测试图像，然后仅在路由后的专家内部使用标准原型评分规则计算异常图。通过将跨头决策与头内异常评分分离，GCR 在不要求端到端表示学习的情况下，避免了跨头分数可比性问题。在 MVTec AD 和 VisA 上的实验表明，几何一致路由显著改善了路由稳定性，抑制了持续性能力崩溃，实现近乎零遗忘，同时保持竞争性的检测与定位性能。这些结果表明，许多此前归因于表示遗忘的失败，实际上可归因于跨头路由中的决策规则不稳定。代码已公开于 https://github.com/jw-chae/GCR。
引用
@article{arxiv.2601.01856,
title = {GCR: Geometry-Consistent Routing for Task-Agnostic Continual Anomaly Detection},
author = {Joongwon Chae and Lihui Luo and Yang Liu and Runming Wang and Dongmei Yu and Zeming Liang and Xi Yuan and Dayan Zhang and Zhenglin Chen and Peiwu Qin and Ilmoon Chae},
journal= {arXiv preprint arXiv:2601.01856},
year = {2026}
}