Multi-AD：医疗与工业应用的跨域无监督异常检测
计算机视觉与模式识别
2026-02-06 v1
摘要
传统深度学习模型在标注数据稀缺的跨域应用中表现不佳，尤其是异常检测领域，这对于医疗中的早期疾病诊断和工业中的缺陷检测至关重要。为此，我们提出 Multi-AD，一种用于跨医疗和工业图像进行稳健无监督异常检测的卷积神经网络（CNN）模型。我们的方案采用 squeeze-and-excitation（SE）模块通过通道注意力机制增强特征提取，使模型能够聚焦于最相关特征并检测细微异常。知识蒸馏（KD）将教师模型中的有用特征传递给学生模型，实现正常与异常数据差异的有效学习。随后，判别器网络进一步提升模型区分正常与异常数据的能力。在推理阶段，通过整合多尺度特征，学生模型能够检测不同尺度的异常。教师-学生（T-S）架构确保高维特征表示的一致性，同时适应以增强异常检测。Multi-AD 在包括脑 MRI、肝 CT 和视网膜 OCT 在内的多个医疗数据集，以及 MVTec AD 等工业数据集上进行评估，显示出强大的跨域泛化能力。实验结果表明，我们的方法在多个基准上均显著优于最新方法，实现了医疗图像和工业图像在图像级（分别为 81.4% 和 99.6%）和像素级（分别为 97.0% 和 98.4%）上的最佳平均 AUROC，证明其在实际应用中的有效性。
引用
@article{arxiv.2602.05426,
title = {Multi-AD: Cross-Domain Unsupervised Anomaly Detection for Medical and Industrial Applications},
author = {Wahyu Rahmaniar and Kenji Suzuki},
journal= {arXiv preprint arXiv:2602.05426},
year = {2026}
}
备注
28 pages, 8 figures