异常检测是否需要训练？
计算机视觉与模式识别
2026-02-03 v2
摘要
当前的多类无监督异常检测（MUAD）方法依赖于训练编码器-解码器模型来重建异常自由特征。我们首先展示了这些方法在通过重建残差检测异常时存在固有的保真度-稳定性困境。随后，我们完全放弃重建范式，提出基于检索的异常检测（RAD）。RAD 是一种无训练方法，通过存储异常自由特征并通过多层检索来检测异常，测试样本的特征块与存储库进行匹配。实验表明，RAD 在四个既定基准（MVTec-AD、VisA、Real-IAD、3D-ADAM）上的标准和少样本设置下均实现了状态最佳性能。在 MVTec-AD 上，仅使用单个异常自由图像即可达到 96.7% 的像素 AUROC，仅略低于 RAD 全数据性能的 98.5%。我们进一步证明了检索得分在理论上上限于重建残差得分。总体而言，这些发现推翻了 MUAD 需要任务特定训练的假设，表明无训练即可实现状态最佳的异常检测是可行的。我们的代码可在 https://github.com/longkukuhi/RAD 获取。
引用
@article{arxiv.2601.22763,
title = {Is Training Necessary for Anomaly Detection?},
author = {Xingwu Zhang and Guanxuan Li and Paul Henderson and Gerardo Aragon-Camarasa and Zijun Long},
journal= {arXiv preprint arXiv:2601.22763},
year = {2026}
}