面向通用工业异常检测的自导航残差Mamba
计算机视觉与模式识别
2025-08-12 v2
摘要
本文提出一种名为Self-Navigated Residual Mamba(SNARM)的新型框架，用于通用工业异常检测，利用测试图像中的“自指学习”以增强异常判别能力。不同于传统方法仅依赖正常训练数据中预训练的特征，SNARM通过迭代比较测试图像中的自适应选取的参考补丁来动态细化异常检测。具体而言，首先计算通过对比测试图像补丁与训练特征库得到的“inter-residual”特征。那些表现小范数残差(表明正常性较高)的补丁随后被用作自生成的参考补丁，以计算“intra-residual”，从而放大判别性信号。将这些inter-和intra-residual特征拼接后输入一种带多头的新型Mamba模块，该模块依据残差属性进行动态导航，以聚焦异常区域。最后在集成学习范式下聚合自导航Mamba的输出，得到检测结果。大量实验在MVTec AD、MVTec 3D和VisA基准数据集上表明，SNARM实现了最先进(SOTA)的性能，在所有指标（包括Image-AUROC、Pixel-AUROC、PRO和AP）上均取得显著提升。
引用
@article{arxiv.2508.01591,
title = {Self-Navigated Residual Mamba for Universal Industrial Anomaly Detection},
author = {Hanxi Li and Jingqi Wu and Lin Yuanbo Wu and Mingliang Li and Deyin Liu and Jialie Shen and Chunhua Shen},
journal= {arXiv preprint arXiv:2508.01591},
year = {2025}
}
备注
13 pages, 4 figures, submitted to AAAI2026