ProtoAnomalyNCD: 基于原型学习的多类新见异常发现方法
计算机视觉与模式识别
2025-11-18 v1
摘要
现有的工业异常检测方法主要判断异常是否存在，但实际应用还需要发现和分类多种异常类型。由于工业异常在语义上较为细微，且当前方法未充分利用图像先验，直接聚类方法往往表现不佳。为此，我们提出ProtoAnomalyNCD，一种基于原型学习的框架，用于发现可集成于各种异常检测方法的多类型未知异常类。在第一阶段，为抑制背景杂乱，我们利用Grounded SAM配以文本提示，对对象区域进行局部，从而作为异常分类网络的先验。在第二阶段，由于异常通常以微妙的细粒度模式出现在产品上，我们引入异常图导导注意力模块。在该模块中，我们设计区域引导因子，帮助注意力模块区分背景、对象区域和异常区域。通过同时利用局化产品区域和异常图作为先验，该模块在增强异常特征的同时抑制背景噪声，保留正常特征以进行对比学习。在统一的原型学习框架下，ProtoAnomalyNCD发现并聚类未知异常类，同时实现多类型异常分类。我们进一步扩展该方法以检测未知离群点，实现任务层面的统一。在MVTec AD、MTD和Real-IAD数据集上，我们的方法在重建保真度、细节保持和对遮挡/截断的鲁棒性方面均优于当前最先进的方法。
关键词
引用
@article{arxiv.2511.12938,
title = {ProtoAnomalyNCD: Prototype Learning for Multi-class Novel Anomaly Discovery in Industrial Scenarios},
author = {Botong Zhao and Qijun Shi and Shujing Lyu and Yue Lu},
journal= {arXiv preprint arXiv:2511.12938},
year = {2025}
}