面向工业异常检测的知识引导式潜在推理：通往可解释之路
计算机视觉与模式识别
2026-05-11 v2
摘要
工业异常检测要求对精细化瑕疵模式进行精确推理。然而，现有的多模态大语言模型（MLLM）预训练于通用领域数据，往往难以捕获类别特定的异常，从而限制了检测准确性和可解释性。为此，我们提出 Reason-IAD，一个知识引导的动态潜在推理框架，用于可解释的工业异常检测。Reason-IAD 由两个核心组件构成。首先，检索增强的知识模块将类别特定的文本描述整合到模型输入中，实现对领域特定瑕疵的上下文感知推理。其次，熵驱动的潜在推理机制使用可优化的潜在思考 token，在紧凑潜在空间中进行迭代探索，由熵基准的奖励驱动，鼓励 confident and stable 预测。此外，动态视觉注入策略选择性地将最具信息量的图像 patch 整合到潜在序列中，将推理过程导向异常检测关键区域。大量实验结果表明，Reason-IAD 在多个任务上 consistently 优于最先进的方法。该代码将在 https://github.com/chenpeng052/Reason-IAD 上公开。
引用
@article{arxiv.2602.09850,
title = {Towards Explainable Industrial Anomaly Detection via Knowledge-Guided Latent Reasoning},
author = {Peng Chen and Chao Huang and Yunkang Cao and Chengliang Liu and Wei Wang and Wenqiang Wang and Mingbo Yang and Li Shen and Wenqi Ren and Xiaochun Cao},
journal= {arXiv preprint arXiv:2602.09850},
year = {2026}
}