Omni-AD：用于多类异常检测的全局与局部特征重建学习
计算机视觉与模式识别
2025-03-31 v2
摘要
在多类无监督异常检测（MUAD）中，基于重建的方法学习将输入图像映射到正常模式以识别异常像素。然而，这种策略在 decoder 未能捕获正常模式时容易陷入已知的 "learning shortcut" 问题，即对正常和异常样本进行naive重建。为解决此问题，我们提出在全局和局部层面学习输入特征，迫使网络更全面地记忆正常模式。具体而言，我们设计了一个两分支的 decoder 块，命名为 Omni-block。一个分支对应全局特征学习，我们序列化两个 self-attention 块，但用 learnable tokens 替换 query 和 (key, value)，从而简洁且彻底地捕获正常模式的全局特征。局部分支由 depth-separable convolutions 组成，其局部性质使其能够有效且高效地学习正常模式的局部特征。通过堆叠 Omni-block，我们构建了一个框架 Omni-AD 来学习不同粒度的正常模式并逐步重建它们。在针对公共异常检测基准进行的全面实验表明，我们的方法在 MUAD 中超越了 state-of-the-art 方法。代码可在 https://github.com/easyoo/Omni-AD.git 获取。
引用
@article{arxiv.2503.21125,
title = {Omni-AD: Learning to Reconstruct Global and Local Features for Multi-class Anomaly Detection},
author = {Jiajie Quan and Ao Tong and Yuxuan Cai and Xinwei He and Yulong Wang and Yang Zhou},
journal= {arXiv preprint arXiv:2503.21125},
year = {2025}
}