面向实际应用的多类图像异常检测：需求与鲁棒解决方案

近期图像异常检测技术的进展将基于无监督学习的模型从单类场景扩展到多类框架，以提高训练效率和模型存储效率。然而，当单个模型被训练用于处理多个类别时，往往在各类别检测准确性方面表现不如类别特定模型。因此，先前的研究主要致力于缩小这一性能差距。然而，类别信息的使用或未使用方式，仍是一个在多类图像异常检测中影响检测阈值定义的相对不够研究的因素。这些阈值（无论是类别特定的还是类别不变的），显著影响检测结果。本研究在不同条件下，依据类别标签在训练和评估阶段是否可用，确定并形式化了多类图像异常检测模型必须满足的要求。我们随后在这些标准下重新审视现有方法。为满足这些挑战，我们提出了层次性核心集（Hierarchical Coreset, HierCore），一个旨在满足所有定义要求的新型框架。HierCore即使在没有类别标签的情况下也能有效运作，利用层次化内存库来估计用于异常检测的类别相关决策标准。我们在四个由训练和评估阶段类别标签的存在与否决定的不同情景下，实证验证了现有方法和HierCore的适用性与鲁棒性。实验结果表明，HierCore在所有情景下都能始终满足所有要求，并在所有设置中保持强劲且稳定的性能，凸显其在实际场景中处理多类异常检测任务的实用潜力。