SuperADD：免训练类无关异常分割 —— CVPR 2026 VAND 4.0 Workshop Challenge 工业赛道

用于工业检测的视觉异常检测（AD）是现代生产环境中高度相关的任务。当训练数据和部署数据因生产过程中采集条件的变化而存在差异时，该问题变得尤为具有挑战性。在 VAND 4.0 工业赛道中，模型必须在光照变化等分布偏移下保持鲁棒性，其性能在 MVTec AD 2 数据集上进行评估。针对此设定，我们提出了一种基于 SuperAD 工作的免训练且类无关的异常检测流程。我们的方法通过几项旨在增强分布偏移下鲁棒性的修改来提升泛化能力。这些适应措施包括使用 DINOv3 主干、重叠的分块处理、基于强度的数据增强、改进的记忆库下采样以更好地覆盖数据分布，以及迭代形态学闭运算以获得更干净且空间更一致的异常图。与依赖特定类别架构或逐类别超参数调优的方法不同，我们的方法对所有目标类别使用单一架构和一套共享的超参数配置。这使得该方法非常适合工业部署，在工业部署中，必须以最小的适应代价处理产品变体和外观变化。我们在 MVTec AD 2 的公开测试集、私有测试集和私有混合测试集上分别取得了 $62.61\%$、$57.42\%$ 和 $54.35\%$ 的分割 F1 分数，从而优于 SuperAD 和其他最先进的方法。代码可在 https://github.com/LukasRoom/SuperADD 获取。