MuSc-V2：基于无标签样本互评分的零样态多模态工业异常分类与分割
计算机视觉与模式识别
2026-04-28 v2
摘要
零样态异常分类 (AC) 与分割 (AS) 方法旨在无需标注样本的情况下识别和描绘缺陷。本文揭示了现有方法所忽视的关键属性：工业产品的正常图像块在2D外观及3D形状上通常可找到许多相似块，而异常则呈现多样且孤立。为充分利用此判别性属性，我们提出一种基于互评分框架 (MuSc-V2) 的零样态AC/AS方法，支持单模态2D/3D或多模态。具体而言，该方法通过迭代点分组 (IPG) 改进3D表征，减少连续表面上的误报。随后采用多度相似邻域聚合 (SNAMD) 将2D/3D邻域线索融合为更具判别性的多尺度图像块特征，用于互评分。其核心包括让同一模态内样本相互给予评分的互评分机制 (MSM)，以及跨模态异常增强 (CAE) 用于恢复模态特定缺失的异常。最后，采用受约束邻域重评分 (RsCon) 机制抑制基于与更具代表性样本相似性的误分类。该框架在完整数据集和较小子集上均能实现稳健的高性能，确保在不同产品线间的无缝适配。为支撑该新框架，MuSc-V2在MVTec 3D-AD数据集上实现了**+23.7%**的平均精度提升，在Eyecandies数据集上实现了**+19.3%**的性能提升，超越了以前的零样态基准，甚至优于大多数少样本方法。代码将在GitHub发布：https://github.com/HUST-SLOW/MuSc-V2。
引用
@article{arxiv.2511.10047,
title = {MuSc-V2: Zero-Shot Multimodal Industrial Anomaly Classification and Segmentation with Mutual Scoring of Unlabeled Samples},
author = {Xurui Li and Feng Xue and Yu Zhou},
journal= {arXiv preprint arXiv:2511.10047},
year = {2026}
}
备注
TPAMI2026