基于金字塔的 Mamba 多类无监督异常检测
计算机视觉与模式识别
2025-04-07 v1
摘要
近期卷积神经网络（CNN）和基于 transformer 的方法在异常检测和定位方面取得了显著进展，但在精确定位小型异常方面仍面临挑战。虽然 CNN 在捕获长程依赖方面存在局限，而 transformer 架构常常 suffer from 显著的计算开销。我们引入一种基于状态空间模型（SSM）的金字塔扫描策略（PSS），用于多类异常检测和定位——一种新颖的方法，旨在解决小型异常定位的挑战。我们的方法通过将 PSS 与预训练编码器集成以实现多尺度特征提取，并引入特征级合成异常生成器来捕获多个尺度上的细粒度细节。在 MVTec 基准测试上，实现多类异常定位 AP 提升 ，AU-PRO 提升 ，展示了我们方法在 diverse 工业场景下精确异常定位的优越性。代码已公开于 https://github.com/iqbalmlpuniud/Pyramid Mamba。
引用
@article{arxiv.2504.03442,
title = {Pyramid-based Mamba Multi-class Unsupervised Anomaly Detection},
author = {Nasar Iqbal and Niki Martinel},
journal= {arXiv preprint arXiv:2504.03442},
year = {2025}
}