视觉语言模型时代下的通用离群分布检测及其扩展：综述
计算机视觉与模式识别
2025-06-19 v2 人工智能
机器学习
摘要
检测离群分布 (OOD) 样本对于确保机器学习系统的安全性至关重要，已深刻影响了 OOD 检测领域的发展。同时，若干其他问题也与 OOD 检测密切相关，包括异常检测 (AD)、新颖检测 (ND)、开放集识别 (OSR) 和离群值检测 (OD)。为统一这些问题，曾提出一种通用 OOD 检测框架，对这些五类问题进行分类学归纳。然而，视觉语言模型 (VLM) 如 CLIP 的出现显著改变了这一范式，并模糊了这些领域之间的边界，进而困扰着研究者。本综述首先呈现通用 OOD 检测 v2，概括了 VLM 时代这些领域的演进过程。我们的框架揭示，随着某些领域的活跃度下降和整合进程加快，迫切的挑战问题已聚焦于 OOD 检测和 AD。随后，我们强调定义、问题设置和基准测试发生的显著转变；因此，我们综述了 OOD 检测及相关任务的方法，以阐明其与 OOD 检测之间的关系。最后，我们探讨了在新兴的大型视觉语言模型 (LVLM) 时代，如 GPT-4V 的发展。本文以开放挑战和未来方向作结。该资源已在 https://github.com/AtsuMiyai/Awesome-OOD-VLM 上提供。
引用
@article{arxiv.2407.21794,
title = {Generalized Out-of-Distribution Detection and Beyond in Vision Language Model Era: A Survey},
author = {Atsuyuki Miyai and Jingkang Yang and Jingyang Zhang and Yifei Ming and Yueqian Lin and Qing Yu and Go Irie and Shafiq Joty and Yixuan Li and Hai Li and Ziwei Liu and Toshihiko Yamasaki and Kiyoharu Aizawa},
journal= {arXiv preprint arXiv:2407.21794},
year = {2025}
}
备注
Accepted at TMLR2025. Survey paper. We welcome questions, issues, and paper requests via https://github.com/AtsuMiyai/Awesome-OOD-VLM