InCTRLv2：面向少样本异常检测与分割的通用残差模型
计算机视觉与模式识别
2026-04-07 v1
摘要
虽然近期的异常检测（AD）方法在识别特定领域内异常模式方面取得了显著进展，但大多数方法是针对特定数据集训练的专家模型，难以泛化到未见数据集。为此，近年来出现了通用异常检测（GAD）范式，旨在学习单个通用模型，以无需重新训练的方式跨领域检测异常。为此，本工作引入InCTRLv2，一个新颖的少样本通用异常检测与分割（GADS）框架，显著扩展了我们先前提出的GAD模型InCTRL。基于学习稀疏正常样本中的残差以检测异常的思想，InCTRLv2在双分支框架下引入了两种新的、互补的异常感知视角。为此，在InCTRL基础上提出了两个新模块：i) 基于判别异常得分学习（DASL），在主分支中使用正常和异常数据，学习支持从异常和正常视角对查询样本进行分类的语义引导的异常与正常空间；ii) 单类异常得分学习（OASL），仅使用正常数据，通过辅助分支学习语义空间中的通用正常模式，专注于仅从正常视角检测异常。两个分支都由来自大规模视觉-语言模型编码的丰富视觉-文本语义先验所指导。它们共同提供了AD的双语义视角：一种强调正常-异常区分，另一种强调偏离正常的语义。广泛的实验在十个AD数据集上进行，结果表明InCTRLv2在各种设置下在异常检测和分割任务上实现了SOTA性能。
引用
@article{arxiv.2604.04632,
title = {InCTRLv2: Generalist Residual Models for Few-Shot Anomaly Detection and Segmentation},
author = {Jiawen Zhu and Mengjia Niu and Guansong Pang},
journal= {arXiv preprint arXiv:2604.04632},
year = {2026}
}