Normal-Abnormal引导的通用异常检测
计算机视觉与模式识别
2025-10-20 v3 人工智能
摘要
通用异常检测（GAD）旨在训练统一模型以在原始领域上训练，能够检测新目标领域中的异常。以往的GAD方法主要仅使用正常样本作为参考，忽略了在实际场景中常常可获得的异常样本所包含的宝贵信息。为此，我们提出一种更为实际的方法：normal-abnormal-guided generalist anomaly detection，即利用正常和异常样本作为参考来指导跨领域异常检测。我们引入Normal-Abnormal Generalist Learning（NAGL）框架，包含两个关键组件：残差挖掘（RM）和异常特征学习（AFL）。RM从正常-异常参考残差中提取异常模式，以建立可迁移的异常表示；AFL通过残差映射在查询图像中自适应学习异常特征以识别实例感知的异常。我们的做法有效地利用正常和异常参考实现更准确、更高效的跨域异常检测。广泛的实验表明，我们的方法显著优于现有的GAD方法。本工作首次在通用异常检测中采用正常和异常样本混合作为参考。代码和数据集均可在https://github.com/JasonKyng/NAGL获取。
引用
@article{arxiv.2510.00495,
title = {Normal-Abnormal Guided Generalist Anomaly Detection},
author = {Yuexin Wang and Xiaolei Wang and Yizheng Gong and Jimin Xiao},
journal= {arXiv preprint arXiv:2510.00495},
year = {2025}
}
备注
Accepted by NeurIPS 2025