IAD-R1：强化工业异常检测中的一致推理
计算机视觉与模式识别
2025-08-15 v2 人工智能
摘要
工业异常检测是现代制造业的关键组成部分，但由于缺乏不良样本，传统检测方法受限于场景特定的应用。虽然视觉-语言模型（VLMs）在泛化能力方面显示出显著优势，但在工业异常检测领域其表现仍有限。为此，我们提出IAD-R1，一个适用于不同架构和参数规模的VLMs的通用后训练框架，显著提升其异常检测能力。IAD-R1采用两阶段训练策略：感知激活监督微调（PA-SFT）阶段利用精心构建的高质量链式思维数据集（Expert-AD）进行训练，增强异常感知能力并建立推理到答案的关联；结构化控制组相对策略优化（SC-GRPO）阶段通过精心设计的奖励函数，实现从“异常感知”到“异常解释”的能力跃升。实验结果表明，IAD-R1在7个VLMs上实现了显著提升，最大改进在DAGM数据集上，平均准确率比0.5B基线高出43.3%。值得注意的是，使用IAD-R1训练的0.5B参数模型在零样本设置下超越了包括GPT-4.1和Claude-Sonnet-4在内的商业模型，显示现IAD-R1的有效性与优越性。该数据集、代码和所有模型权重将在https://github.com/Yanhui-Lee/IAD-R1上公开。
引用
@article{arxiv.2508.09178,
title = {IAD-R1: Reinforcing Consistent Reasoning in Industrial Anomaly Detection},
author = {Yanhui Li and Yunkang Cao and Chengliang Liu and Yuan Xiong and Xinghui Dong and Chao Huang},
journal= {arXiv preprint arXiv:2508.09178},
year = {2025}
}