零样本异常检测中的一致性异常问题

零样本异常分类和分割 (AC/AS) 旨在无训练数据的情况下检测异常样本和区域，这在工业检验和医学成像中日益重要。本论文旨在调查零样本 AC/AS 的核心挑战，并提出以理论和算法设计为基础的原则性解决方案。首先，我们形式化了一致性异常问题，这是一种在相似异常系统性偏向基于距离的方法的失效模式。通过分析预训练视觉转换器中 patch 表示的统计和几何行为，我们识别出两种关键现象——相似度缩放和邻居熄灭——描述了在高度相似对象环境中，正常 patch 之间的关系如何随是否包含一致性异常而变化。随后，我们提出 CoDeGraph，一个基于相似度缩放和邻居熄灭现象的图基过滤一致性异常框架。通过多阶段图构建、社区检测和结构化细化，CoDeGraph 有效抑制了一致性异常的影响。我们进一步将该框架扩展到 3D 医学成像，通过提出一种无训练、计算高效的体数据分词策略，用于 MRI 数据。这实现了真正意义上的零样本 3D 异常检测管道，表明无需任何 3D 训练样本即可实现体数据异常分割。最后，我们通过演示 CoDeGraph 派生的伪掩码可监督驱动式视觉语言模型，桥接了基于批处理的零样本方法和基于文本的零样本方法。整个论文提供了对零样本 AC/AS 问题的理论理解和实用解决方案。