面向DINOv2少样本异常检测的对抗鲁棒性与不确定性量化

像DINOv2这样的基础模型在少样本异常检测中表现出强大的性能，但两个关键问题仍未得到检验：(i) 这些检测器对对抗性扰动的敏感程度如何；(ii) 它们的异常分数在多大程度上反映了校准后的不确定性？基于AnomalyDINO（一种在DINOv2特征上无需训练的深度最近邻检测器），我们提出了该领域中对抗性攻击和不确定性估计的首批系统性研究之一。为了在保持测试时行为的同时实现白盒梯度攻击，我们仅在生成扰动时将一个轻量级线性头附加到冻结的DINOv2特征上。使用这种启发式方法，我们评估了FGSM在MVTec-AD和VisA数据集上的影响，观察到F1、AUROC、AP和G-mean的一致下降，表明不可察觉的扰动可以翻转特征空间中的最近邻关系，从而诱导出高置信度的错误分类。作为鲁棒性的补充，我们探测了可靠性，发现原始异常分数校准不良，揭示了置信度与正确性之间的差距，限制了安全关键应用。作为迈向可信赖性的一个简单而强大的基线，我们将事后Platt缩放应用于异常分数以进行不确定性估计。由此产生的校准后验概率在对抗性扰动输入上产生的预测熵显著高于干净输入，从而在降低校准误差（ECE）的同时，为攻击检测提供了一种实用的标记机制。我们的发现揭示了基于DINOv2的少样本异常检测器中存在的具体脆弱性，并为鲁棒、不确定性感知的异常检测建立了一个评估协议和基线。我们认为，如果异常检测系统要值得信赖并准备好进行实际部署，那么对抗鲁棒性和原则性的不确定性量化不是可选的附加功能，而是必不可少的能力。