面向无监督医学异常检测的比例感知对比逆蒸馏
计算机视觉与模式识别
2025-03-19 v1
摘要
基于深度学习的无监督异常检测因其广泛的适用性（尤其是在医学影像中标签异常数据稀缺的场景）而受到广泛关注。虽然早期方法利用自编码器和生成对抗网络（GAN）等生成模型，但常因过度概括而不足。近期方法探索了各种策略，包括 memory bank、归一化流、自监督学习和知识蒸馏，以增强判别能力。其中，知识蒸馏，特别是逆蒸馏方法显示出前景。遵循这一范式，我们提出一种 novel 的比例感知对比逆蒸馏模型，用于医学异常检测，旨在解决现有逆蒸馏方法的两个关键局限性：特征判别性不足以及无法处理异常规模变化。具体而言，我们引入对比学生-教师学习方法，通过生成和探索超出正常分布的样本来获得更具判别性的表示。进一步，我们设计一种比例适应机制，对不同比例的对比蒸馏损失进行软性加权，以解决比例变化问题。广泛的基准数据集上的实验表明，我们的方法在性能上实现了最先进的水平，验证了其有效性。代码可在 https://github.com/MedAITech/SCRD4AD 获取。
引用
@article{arxiv.2503.13828,
title = {Scale-Aware Contrastive Reverse Distillation for Unsupervised Medical Anomaly Detection},
author = {Chunlei Li and Yilei Shi and Jingliang Hu and Xiao Xiang Zhu and Lichao Mou},
journal= {arXiv preprint arXiv:2503.13828},
year = {2025}
}
备注
ICLR 2025