One Dinomaly2 Detect Them All：面向全景无监督异常检测的统一框架
计算机视觉与模式识别
2025-10-27 v2
摘要
无监督异常检测（UAD）已从构建专用单类模型发展到构建统一的多类模型，但现有多类模型显著低于最先进的单类模型。此外，该领域已 fragmentation 为针对特定场景（多类、3D、few-shot等）设计的专用方法，导致部署障碍，凸显需要统一解决方案的需求。本文提出 Dinomaly2，首个面向全景图像UAD的统一框架，弥补了多类模型性能差距的同时，无缝扩展至多样数据模态和任务设置。遵循“简单即优势”（less is more）的理念，我们展示，五个简单元素的最佳组合在标准基于重构的框架中实现卓越性能。这种方法论的简约设计使其能够自然扩展至多样任务，无需修改，确立简单性是真正通用性的基础。大规模实验在12个UAD基准测试中表明，Dinomaly2在多个模态（2D、多视角、RGB-3D、RGB-IR）、任务设置（单类、多类、推理统一多类、few-shot）和应用领域（工业、生物、户外）中均显示全景优势。例如，我们的多类模型在MVTec-AD和VisA上分别实现了 unprecedented的99.9%和99.3%的图像级（I-）AUROC。对于多视角和多模态检测，Dinomaly2在最少调整下实现了最先进的性能。此外，仅使用8个正常样本 per class，我们的方法超越了前面的全样本模型，在MVTec-AD和VisA上分别达到98.7%和97.4%的I-AUROC。简约设计、计算可扩展性和广泛适用性使 Dinomaly2 成为全谱图无监督异常检测应用的统一解决方案。
引用
@article{arxiv.2510.17611,
title = {One Dinomaly2 Detect Them All: A Unified Framework for Full-Spectrum Unsupervised Anomaly Detection},
author = {Jia Guo and Shuai Lu and Lei Fan and Zelin Li and Donglin Di and Yang Song and Weihang Zhang and Wenbing Zhu and Hong Yan and Fang Chen and Huiqi Li and Hongen Liao},
journal= {arXiv preprint arXiv:2510.17611},
year = {2025}
}
备注
Extended version of CVPR2025