潜在异常知识挖掘：揭示视觉语言模型中稀疏敏感神经元
计算机视觉与模式识别
2026-04-29 v3 人工智能
摘要
大规模视觉语言模型（VLMs）展现出惊人的零样检测能力，但驱动其异常检测（AD）性能的内部机制仍不为人知。当前方法主要将VLMs视为黑箱特征提取器，假设异常特定知识必须通过外部适配器或记忆库获取。本文挑战此假设，认为异常知识本质上嵌入于预训练模型中，但处于潜在且未被激活的状态。我们假设，这种知识集中于稀疏的异常敏感神经元中。为验证此假设，我们提出潜在异常知识挖掘（LAKE），一个无训练框架，通过仅利用最小正常样本集识别和激发这些关键神经信号。通过隔离这些敏感神经元，LAKE构建高度紧凑的正常性表示，整合视觉结构偏差与跨模态语义激活。大量实验表明，LAKE在工业AD基准测试上实现了最佳性能，同时提供了基于神经元的内在解释。最终，我们的工作主张范式转变：将异常检测重新定义为对潜在预训练知识的针对性激活，而非下游任务的知识获取。
引用
@article{arxiv.2604.07802,
title = {Latent Anomaly Knowledge Excavation: Unveiling Sparse Sensitive Neurons in Vision-Language Models},
author = {Shaotian Li and Shangze Li and Chuancheng Shi and Wenhua Wu and Yanqiu Wu and Xiaohan Yu and Fei Shen and Tat-Seng Chua},
journal= {arXiv preprint arXiv:2604.07802},
year = {2026}
}