基于拓扑感知最优传输链接的异常分段测试时适应
计算机视觉与模式识别
2026-01-29 v1 机器学习
摘要
深度拓扑数据分析(TDA)提供了一个原则框架，用于捕获跨尺度保持的结构不变量，如连通性和环路，这使其成为异常分段(AS)的自然匹配。与基于阈值的二值化不同，后者在分布迁移下产生脆弱的掩模；TDA 允许将异常建模为对全局结构的破坏，而非局部波动。在本工作中，我们引入 TopoOT，一个集成多滤波器持久图(PD)与测试时适应(TTA)的拓扑感知最优传输(OT)框架。我们的关键创新是最优传输链接(OT Chaining)，该方法依次对 PD 在不同阈值和滤波器上的对齐，产生衡量跨尺度一致保持特征的地理体稳定性得分。这些稳定性感知的伪标签监督一个轻量级头部在线训练，结合 OT 一致性和对比目标，确保在域迁移下的稳健适应。跨越标准 2D 和 3D 异常检测基准，TopoOT 实现了最先进的性能，在 2D 数据集上优于最具竞争力的方法提升最高可达 +24.1% 平均 F1，在 3D AS 基准上提升 +10.2%。
引用
@article{arxiv.2601.20333,
title = {Test-Time Adaptation for Anomaly Segmentation via Topology-Aware Optimal Transport Chaining},
author = {Ali Zia and Usman Ali and Umer Ramzan and Abdul Rehman and Abdelwahed Khamis and Wei Xiang},
journal= {arXiv preprint arXiv:2601.20333},
year = {2026}
}