INP-Former++: 通过内在正常原型和残差学习推进通用异常检测
计算机视觉与模式识别
2025-07-01 v2
摘要
异常检测(AD)对于工业检测和医学诊断至关重要，但现有方法通常依赖于将测试图像与训练集中的正常参考进行"比较"。然而，外观和定位的变化经常使这些参考与测试图像的对齐变得复杂，从而限制了检测准确性。我们观察到大多数异常表现为局部变化，这意味着即使在异常图像中也有有价值的正常信息。我们认为这些信息是有用的，并且可能与异常更对齐，因为异常和正常信息都来自同一张图像。因此，我们不依赖训练集中的外部正常性，而是提出了INP-Former，一种直接从测试图像中提取内在正常原型(INPs)的新方法。具体来说，我们引入了INP提取器，它通过线性组合正常标记来表示INPs。我们进一步提出了INP一致性损失，以确保INPs能够忠实地表示测试图像的正常性。这些INPs随后引导INP引导解码器仅重建正常标记，重建误差作为异常分数。此外，我们提出了一种软挖掘损失，用于在训练期间优先优化难样本。INP-Former在MVTec-AD、VisA和Real-IAD上的单类、多类和少样本AD任务中达到了最先进的性能，使其成为AD的多功能和通用解决方案。值得注意的是，INP-Former还展示了一些零样本AD能力。此外，我们提出了INP一致性损失的软版本，并通过引入残差学习增强了INP-Former，从而开发了INP-Former++。所提出的方法在单类、多类、半监督、少样本和零样本设置中显著提高了检测性能。
引用
@article{arxiv.2506.03660,
title = {INP-Former++: Advancing Universal Anomaly Detection via Intrinsic Normal Prototypes and Residual Learning},
author = {Wei Luo and Haiming Yao and Yunkang Cao and Qiyu Chen and Ang Gao and Weiming Shen and Wenyong Yu},
journal= {arXiv preprint arXiv:2506.03660},
year = {2025}
}
备注
15 pages, 11 figures, 13 tables. arXiv admin note: substantial text overlap with arXiv:2503.02424