KKA：通过大语言模型获取异常相关知识以提升视觉异常检测性能
计算机视觉与模式识别
2025-02-24 v1 人工智能
摘要
视觉异常检测，特别是在无监督设置下，常因异常的多样性而难以区分正常样本与异常样本。近期研究逐渐关注生成异常以帮助检测器更有效地学习正常样本与异常样本之间的边界。然而，生成的异常常由随机因素生成，缺乏真实性。此外，随机生成的异常与正常样本差异大，难以为构建有效边界提供充分支持。为此，我们提出了从大语言模型（LLM）提取异常相关知识的Key Knowledge Augmentation（KKA）方法。具体而言，KKA利用LLM的广泛先验知识，基于正常样本生成有意义的异常。随后，KKA根据异常与正常样本的相似度将生成的异常分类为易异常和难异常。易异常与正常样本差异显著，而难异常则与正常样本高度相似。KKA迭代更新生成的异常，并逐步增加难异常的比例，以使检测器学习更有效的边界。实验结果表明，所提方法显著提升了各种视觉异常检测器的性能，同时保持低生成成本。CMG的代码可访问于 https://github.com/Anfeather/KKA。
引用
@article{arxiv.2502.14880,
title = {KKA: Improving Vision Anomaly Detection through Anomaly-related Knowledge from Large Language Models},
author = {Dong Chen and Zhengqing Hu and Peiguang Fan and Yueting Zhuang and Yafei Li and Qidong Liu and Xiaoheng Jiang and Mingliang Xu},
journal= {arXiv preprint arXiv:2502.14880},
year = {2025}
}