MRAD：基于记忆驱动检索的零样态异常检测
计算机视觉与模式识别
2026-02-03 v1
摘要
零样态异常检测（ZSAD）常依赖预训练的视觉或视觉语言模型，但许多现有方法通过提示学习或复杂建模来拟合数据分布，导致高训练或推理成本且跨域稳定性有限。为此，我们提出了记忆检索异常检测方法（MRAD），一个统一框架，取代参数化拟合为直接记忆检索。冻结 CLIP 图像编码器的训练无关基模型 MRAD-TF 从辅助数据构建两级记忆库（图像级和像素级），其中特征-标签对以键值对形式显式存储。在推理期间，通过记忆库上的相似性检索直接获取异常得分。基于 MRAD-TF，我们进一步提出两种轻量级变体作为增强：（i）MRAD-FT 对检索度量进行微调，添加两个线性层以增强正常与异常之间的判别性；（ii）MRAD-CLIP 将来自 MRAD-FT 的正常和异常区域先验注入 CLIP 可学习文本提示中，作为动态偏置，从而强化对未见类别的泛化。跨 16 个工业和医疗数据集，MRAD 框架在训练无关和训练有关设置下均在异常分类和分割方面表现出优异性能。我们的工作表明，充分利用原始数据的经验分布而非仅依赖模型拟合，可实现更强的异常检测性能。代码将在 https://github.com/CROVO1026/MRAD 公开。
引用
@article{arxiv.2602.00522,
title = {MRAD: Zero-Shot Anomaly Detection with Memory-Driven Retrieval},
author = {Chaoran Xu and Chengkan Lv and Qiyu Chen and Feng Zhang and Zhengtao Zhang},
journal= {arXiv preprint arXiv:2602.00522},
year = {2026}
}