HLGFA：面向无监督异常检测的高低分辨率引导特征对齐
计算机视觉与模式识别
2026-05-12 v3
摘要
无监督工业异常检测对于现代制造检测至关重要，因为缺陷样本稀缺且需要可靠的检测。在本文中，我们提出了 HLGFA，一个高低分辨率引导的特征对齐框架，该框架通过学习正常样本的高分辨率与低分辨率表示之间的跨分辨率特征一致性来学习常态，而非依赖像素级重建。双分辨率输入由共享的冻结骨干网络处理以提取多级特征，高分辨率表示被分解为结构先验和细节先验，通过条件调制和门控残差校正来指导低分辨率特征的细化。在推理过程中，异常自然地被识别为跨分辨率对齐失效的区域。此外，引入了一种噪声感知的数据增强策略，以抑制工业环境中常见的噪声引起的响应。在标准基准上的大量实验证明了 HLGFA 的有效性，在 MVTec AD 数据集上达到了 97.9% 的像素级 AUROC 和 97.5% 的图像级 AUROC，优于具有代表性的基于重建和基于特征的方法。
引用
@article{arxiv.2602.09524,
title = {HLGFA: High-Low Resolution Guided Feature Alignment for Unsupervised Anomaly Detection},
author = {Han Zhou and Yuxuan Gao and Yinchao Du and Xuezhe Zheng},
journal= {arXiv preprint arXiv:2602.09524},
year = {2026}
}
备注
14 pages, 6 figures, references added