论零样本工业异常检测中的一致性异常问题
计算机视觉与模式识别
2025-10-14 v1 应用统计
摘要
零样本图像异常分类(AC)与分割(AS)对于工业质量控制至关重要,可在无训练数据的情况下检测缺陷。现有基于表示的方法通过将图像块特征与无标注测试图像中的最近邻进行比较,但在处理一致性异常(在多张图像中反复出现的相似缺陷)时表现不佳,导致 AC/AS 性能较差。我们提出了一致性异常检测图(Consistent-Anomaly Detection Graph, CoDeGraph),一种用于识别并过滤相似性计算中一致性异常的新颖算法。我们的核心洞见在于:工业图像中的正常图像块对其他测试图像表现出稳定且逐步递增的相似性,而一致性异常图像块在耗尽有限数量的相似匹配后会出现相似性的急剧跃升,我们将这种现象称为"邻居耗尽(neighbor-burnout)"。CoDeGraph 构建一个图像级图,以图像为节点,以共享一致性异常模式的图像之间的边为连接,利用社区检测来过滤这些异常。我们利用极值理论(Extreme Value Theory)给出了该方法有效性的理论基础。在 MVTec AD 上使用 ViT-L-14-336 主干网络的实验取得了 98.3% 的 AC AUROC,以及 66.8%(+4.2%) F1 和 68.1%(+5.4%) AP 的 AS 性能,优于现有零样本方法。使用 DINOv2 主干网络进一步提升了分割性能,达到 69.1%(+6.5%) F1 和 71.9%(+9.2%) AP,展示了跨架构的稳健性。
引用
@article{arxiv.2510.10456,
title = {On the Problem of Consistent Anomalies in Zero-Shot Industrial Anomaly Detection},
author = {Tai Le-Gia and Ahn Jaehyun},
journal= {arXiv preprint arXiv:2510.10456},
year = {2025}
}
备注
Published in TMLR (10/2025)