MoECLIP：用于零样本异常检测的 patch 专化专家
计算机视觉与模式识别
2026-03-05 v2 人工智能
摘要
CLIP 模型的卓越泛化能力推动了近期在零样本异常检测（ZSAD）中 detecting unseen categories 中的异常检测取得成功。ZSAD 的核心挑战在于在保持 CLIP 强大泛化能力的同时为异常检测任务进行专业化。现有方法试图解决这一挑战的做法都存在 patch 无感知设计的根本局限，即对所有 patch 单调处理而不顾其独特特征。为此，我们提出 MoECLIP，这是一种用于 ZSAD 任务的混合专家（MoE）架构，通过基于其独特特征动态将每个图像 patch 路由到专门的低秩适配（LoRA）专家以实现 patch 级别的适应。此外，为防止 LoRA 专家之间功能冗余，我们引入 (1) 冻结正交特征分离（FOFS），以正交分离输入特征空间以迫使专家聚焦于不同信息，以及 (2) 单形等角紧密帧（ETF）损失以调节专家输出形成最大等角表示。广泛的实验结果覆盖 14 个基准数据集，涵盖工业和医疗领域，证明 MoECLIP 在现有状态方法上取得优异性能。代码可在 https://github.com/CoCoRessa/MoECLIP 获取。
引用
@article{arxiv.2603.03101,
title = {MoECLIP: Patch-Specialized Experts for Zero-shot Anomaly Detection},
author = {Jun Yeong Park and JunYoung Seo and Minji Kang and Yu Rang Park},
journal= {arXiv preprint arXiv:2603.03101},
year = {2026}
}
备注
Accepted by CVPR 2026