SubspaceAD：基于子空间建模的无训练型少样本异常检测
计算机视觉与模式识别
2026-05-14 v3 机器学习
摘要
工业检查中检测视觉异常往往需要仅用少量正常图像进行训练。近期的少样本方法通过利用基础模型的特征实现了强大的性能，但通常依赖内存库、辅助数据集或对视觉语言模型进行多模态调优。因此，我们质疑鉴于基础视觉模型的特征表示，这种复杂性是否必要。为了回答这一问题，我们提出SubspaceAD，这是一种无训练方法，包含两个简单的阶段。首先，通过冻结的DINOv2主干网络从少量正常图像中提取patch级特征。其次，对这些特征拟合主成分分析（PCA）模型，以估计正常变化的低维子空间。在推理时，通过与该子空间的重建残差来检测异常，从而产生可解释且在统计上有依据的异常得分。尽管方法简单，SubspaceAD在无训练、无提示调优或无内存库的情况下，在一个样本和少样本设置下均实现了最先进的性能。在一个样本异常检测设置下，SubspaceAD在MVTec-AD数据集上的图像级和像素级AUROC分别为97.1%和97.5%，在VisA数据集上分别为93.2%和98.2%，均超越了之前的最先进结果。代码和演示可在https://github.com/CLendering/SubspaceAD找到。
引用
@article{arxiv.2602.23013,
title = {SubspaceAD: Training-Free Few-Shot Anomaly Detection via Subspace Modeling},
author = {Camile Lendering and Erkut Akdag and Egor Bondarev},
journal= {arXiv preprint arXiv:2602.23013},
year = {2026}
}
备注
Accepted to CVPR 2026. Revised version with corrected AU-PRO evaluation and recomputed metrics