统一无监督异常检测：通过匹配成本过滤

无监督异常检测（UAD）旨在仅使用正常训练数据识别图像和像素级别的异常，广泛应用于工业检验和医疗分析等场景，其中由于隐私 concerns 和冷启动约束，异常样本稀缺。现有方法无论是基于重建（恢复正常对应物）还是基于嵌入（预训练表示），本质上都通过图像或特征级别的匹配生成异常图。然而，匹配噪声被大量忽略，这限制了其检测能力。除了此前聚焦单模态 RGB-based UAD 之外，近期进展扩展到多模态场景，例如 RGB-3D 和 RGB-Text，由点云感知和视觉语言模型所支持。尽管面临相似挑战，这些方法仍大多孤立，阻碍了综合理解和知识迁移。在本文中，我们从匹配视角出发，主张同时支持单模态和多模态设置的统一 UAD。基于此洞见，我们提出了统一成本过滤（Unified Cost Filtering, UCF），这是一种通用的后处理细化框架，用于细化任意 UAD 模型的异常成本体。该成本体通过将测试样本与来自相同或不同模态的正常样本进行匹配构建，随后通过来自测试样本的多层注意力指导的可学习过滤模块，以缓解匹配噪声并突出显示细微异常。针对 22 个多样化基准进行全面实验，证明了 UCF 在提升各种 UAD 方法方面的有效性， consistently 在单模态（RGB）和多模态（RGB-3D、RGB-Text） UAD 场景中持续实现最新状态的研究成果。代码和模型将在 https://github.com/ZHE-SAPI/CostFilter-AD 发布。