面向图像异常检测的高维潜在空间中最差传输时间反转流匹配
计算机视觉与模式识别
2026-04-15 v3
摘要
基于似然的深度生成模型已被广泛研究用于图像异常检测（IAD），特别是归一化流，但其严格的架构可逆性需求往往限制了可扩展性，尤其是在大规模数据场景下。尽管时间参数化的流匹配作为可扩展的替代方案，但由于雅可比迹估计的高昂成本，其在 IAD 中仍面临计算挑战。本文提出时间反转流匹配，将目标从精确似然计算转向通过密度代理估计评估目标域的正则性。我们揭示了该范式中的两个基本理论瓶颈：首先，反向向量场在初始时间边界表现出非 Lipschitz 奇异性，导致估计误差爆炸。其次，高维高斯流形中的测度集中现象引发结构性不规则性，产生向心力势场，使轨迹偏离最优传输路径。我们将这些观察识别为 FM 与 rFM 之间的固有对偶性。为解决这些问题，我们引入局部最差传输流匹配，放大 rFM 中观察到的 CPF 以缓解初始奇异性，同时通过密度代理规避对精确分布变换的需求。在五个数据集上的实验表明，WT-Flow 在单尺度流方法中达到了 SOTA 性能，并与领先的多尺度方法相比具有竞争力。此外，所提框架支持卓越的单步推理，每张图像的流延迟仅为 6.7 ms。代码可在 https://github.com/lil-wayne-0319/fmad 获取。
引用
@article{arxiv.2508.05461,
title = {Time-reversed Flow Matching with Worst Transport in High-dimensional Latent Space for Image Anomaly Detection},
author = {Liangwei Li and Lin Liu and Hanzhe Liang and Juanxiu Liu and Jing Zhang and Ruqian Hao and Xiaohui Du and Yong Liu and Pan Li},
journal= {arXiv preprint arXiv:2508.05461},
year = {2026}
}