Pro-AD：基于原型约束学习全面原型的多类无监督异常检测
计算机视觉与模式识别
2025-06-25 v3
摘要
原型重构方法用于无监督异常检测利用有限的可学习原型，这些原型仅聚合不足够的正常信息，导致不理想的重建效果。然而，增加原型数量可能导致异常样本通过注意力机制被良好重建，我们称之为“软身份映射”问题。为此，本文提出 Pro-AD 以解决上述问题，充分利用原型以提升异常检测性能。具体而言，我们首先引入扩展的可学习原型集合，以提供足够的语义容量。随后，我们采用动态双向解码器，将正常信息聚合与目标特征重建过程集成于原型之中，旨在使原型能够从不同层次的图像特征中聚合更为全面的正常语义信息，并实现对目标特征的重建，不仅利用其上下文信息，还能动态地利用所学的全面原型。此外，为防止异常样本通过足够的语义信息被注意力机制良好重建，Pro-AD 引入一种在解码器的目标特征重建过程中应用的原型约束，进一步提升了我们方法的性能。广泛的实验表明，我们的 Pro-AD 在多个具有挑战性的数据集上实现了最先进的性能，凸显了其在多类无监督异常检测任务中的卓越鲁棒性和实际有效性。
引用
@article{arxiv.2506.13097,
title = {Pro-AD: Learning Comprehensive Prototypes with Prototype-based Constraint for Multi-class Unsupervised Anomaly Detection},
author = {Ziqing Zhou and Yurui Pan and Lidong Wang and Wenbing Zhu and Mingmin Chi and Dong Wu and Bo Peng},
journal= {arXiv preprint arXiv:2506.13097},
year = {2025}
}