SuperAD:面向 CVPR 2025 VAND 3.0 Workshop Challenge Track 1: Adapt & Detect 的免训练异常分类与分割方法
计算机视觉与模式识别
2025-05-28 v2
摘要
在本技术报告中,我们提出了针对 CVPR 2025 视觉异常与新奇性检测(VAND)3.0 Workshop Challenge Track 1: Adapt & Detect: 现实应用中鲁棒异常检测的解决方案。在现实工业异常检测中,精确识别具有物理复杂性的异常至关重要,例如透明或反射表面、遮挡以及低对比度污染。近期提出的 MVTec AD 2 数据集显著缩小了公开基准与真实工业环境中异常之间的差距。为应对该数据集带来的挑战——如复杂多变的照明条件以及尺度差异巨大的真实异常——我们提出了一种基于 DINOv2 模型特征提取的完全免训练异常检测与分割方法,名为 SuperAD。该方法精心挑选少量正常参考图像,并利用 DINOv2 强大的表征能力构建记忆库。随后,通过在测试图像特征与记忆库之间进行最近邻匹配来实现异常分割。我们的方法在 MVTec AD 2 数据集的两个测试集上均取得了具有竞争力的结果。
引用
@article{arxiv.2505.19750,
title = {SuperAD: A Training-free Anomaly Classification and Segmentation Method for CVPR 2025 VAND 3.0 Workshop Challenge Track 1: Adapt & Detect},
author = {Huaiyuan Zhang and Hang Chen and Yu Cheng and Shunyi Wu and Linghao Sun and Linao Han and Zeyu Shi and Lei Qi},
journal= {arXiv preprint arXiv:2505.19750},
year = {2025}
}