ResAD++：通过残差特征学习实现面向类的无关性异常检测
计算机视觉与模式识别
2025-09-30 v1
摘要
本文探讨了面向类的无关性异常检测（AD）问题，即训练一个类无关的 AD 模型，以在无需对目标数据进行任何重新训练或微调的情况下，泛化到检测来自不同领域的新类的异常。当前的单类和多类 AD 方法在应用于新类时表现仍不理想。一个根本原因是现有方法中的表示学习仍与类相关，即特征相关。为此，我们提出残差特征并构建一个简洁而有效的框架，称为 ResAD。我们的核心洞见是学习残差特征分布而非初始特征分布。残差特征通过匹配和减去正常参考特征来构成。如此一来，我们可以有效实现特征去相关。即便在新类中，正常残差特征的分布也不会显著偏离已学习的分布。此外，我们认为残差特征仍存在一个问题：尺度相关。为此，我们提出一种特征球约束方法，该方法学习将初始正常残差特征约束到空间球面上，以实现不同类的特征尺度尽可能一致。进一步，我们提出一种新型的 logbarrier 双向收缩 OCC loss 和基于向量量化的特征分布匹配模块来增强 ResAD，从而得到改进版的 ResAD（ResAD++）。在八个真实世界的 AD 数据集上进行的全面实验表明，ResAD++ 在直接用于新类时能够实现显著的 AD 效果，超越了最先进的竞争方法，也超过了 ResAD。代码已公开于 https://github.com/xcyao00/ResAD。
引用
@article{arxiv.2509.23741,
title = {ResAD++: Towards Class Agnostic Anomaly Detection via Residual Feature Learning},
author = {Xincheng Yao and Chao Shi and Muming Zhao and Guangtao Zhai and Chongyang Zhang},
journal= {arXiv preprint arXiv:2509.23741},
year = {2025}
}
备注
This paper is an extended version of our NeurIPS 2024 paper, ResAD. arXiv admin note: substantial text overlap with arXiv:2410.20047