基于超图的无训练无语言少样本异常检测
计算机视觉与模式识别
2026-05-12 v1
摘要
少样本异常检测（FSAD）已取得显著进展，但现有方法仍面临关键挑战：（i）依赖于特定任务或数据集的训练/微调，（ii）依赖于语言监督或精心设计的提示，（iii）跨域鲁棒性有限。本文引入 HyperFSAD，一个全新 FSAD 框架，实现无训练、无语言且跨域鲁棒，为解决上述挑战提供了强大方案。基于 DINOv3 及超图推理机制构建， our 方法在无任何任务特定优化或文本提示的情况下完成推理，同时保持竞争力。具体而言，我们将敏感的最近邻/Top-n 匹配替换为稀疏超图匹配：sparsemax 首先筛选最相关的支撑 patches，然后将其聚合为超边作为紧凑的正常证据，以抑制背景噪声和干扰项。我们进一步引入双分支图像评分机制，将来自 patch-grid 异常图的空间异常证据与支撑感知 CLS 匹配捕获的全局语义偏差融合，从而以严格的视觉方式生成鲁棒的图像级异常得分。值得注意的是，HyperFSAD 的所有组件均纯粹基于视觉，无需耗时的手工文本提示。在严格的无训练无语言设定下，HyperFSAD 在覆盖四个工业数据集（MVTecAD、VisA、MPDD、BTAD）和两个医学数据集（RESC、BraTS）的六个数据集上实现了最新性能。
引用
@article{arxiv.2605.10628,
title = {Hypergraph-Enhanced Training-Free and Language-Free Few-Shot Anomaly Detection},
author = {Guohuan Xie and Xin He and Dingying Fan and Siqi Li and Yun Liu},
journal= {arXiv preprint arXiv:2605.10628},
year = {2026}
}