利用学习偏差进行含噪异常检测
计算机视觉与模式识别
2025-10-20 v3
摘要
本文解决了完全无监督图像异常检测（FUIAD）的挑战，其中训练数据可能包含未标记的异常。传统方法假设训练数据无异常，但现实世界中的污染会导致模型将异常吸收为正常，从而降低检测性能。为了缓解这一问题，我们提出了一个两阶段框架，系统地利用模型固有的学习偏差。这种学习偏差源于：（1）正常样本的统计主导性，驱动模型优先学习稳定的正常模式而非稀疏的异常模式；（2）特征空间发散，其中正常数据表现出高类内一致性，而异常数据则表现出高多样性，导致模型响应不稳定。利用这种学习偏差，第一阶段将训练集划分为子集，训练子模型，并聚合跨模型异常分数以过滤出一个纯化数据集。第二阶段在此数据集上训练最终检测器。在Real-IAD基准上的实验表明，在不同噪声条件下，该方法具有优越的异常检测和定位性能。消融研究进一步验证了该框架的抗污染能力，强调了利用学习偏差的关键作用。其模型无关的设计确保了与多种无监督骨干网络的兼容性，为训练数据不完美的实际场景提供了实用的解决方案。代码可在https://github.com/hustzhangyuxin/LLBNAD获取。
引用
@article{arxiv.2508.07441,
title = {Leveraging Learning Bias for Noisy Anomaly Detection},
author = {Yuxin Zhang and Yunkang Cao and Yuqi Cheng and Yihan Sun and Weiming Shen},
journal= {arXiv preprint arXiv:2508.07441},
year = {2025}
}