RAID：检索增强型异常检测
计算机视觉与模式识别
2026-02-24 v1
摘要
无监督异常检测（Unsupervised Anomaly Detection, UAD）旨在通过建立测试图像与正常模板之间的对应关系来识别异常区域。现有方法主要依赖图像重建或模板检索，但面临一个根本性挑战：测试图像与正常模板之间的匹配必然引入噪声，由于类内变异、不完美的对应关系以及模板数量有限。观察到检索增强生成（Retrieval-Augmented Generation, RAG）直接利用检索样本于生成过程中，我们通过这一视角重新诠释 UAD，提出\textbf{RAID}——一种面向噪声鲁棒异常检测与定位的检索增强型 UAD 框架。不同于标准 RAG 通过丰富上下文或知识，RAID 专注于利用检索到的正常样本引导异常图生成中的噪声抑制。RAID 从层次化向量数据库中检索类别级、语义级和实例级表示，形成粗到细的流水线。匹配代数体积关联输入与检索 exemplars，随后通过引导式混合专家（Mixture-of-Experts, MoE）网络利用检索样本自适应抑制匹配噪声并生成细粒度异常图。RAID 在 MVTec、VisA、MPDD 和 BTAD 基准测试中的全量、few-shot 和 multi-dataset 设置下实现了最先进的性能。\href{https://github.com/Mingxiu-Cai/RAID}{https://github.com/Mingxiu-Cai/RAID}
引用
@article{arxiv.2602.19611,
title = {RAID: Retrieval-Augmented Anomaly Detection},
author = {Mingxiu Cai and Zhe Zhang and Gaochang Wu and Tianyou Chai and Xiatian Zhu},
journal= {arXiv preprint arXiv:2602.19611},
year = {2026}
}