基于生成式基础模型的零样态图像异常检测
计算机视觉与模式识别
2025-07-31 v1
摘要
检测 out-of-distribution (OOD) 输入对于在开放式环境中部署安全视觉系统至关重要。我们重新审视扩散模型，将其不作为生成器，而是作为 OOD 检测的通用感知模板。该研究探索了将基于得分的生成模型作为未知数据集上语义异常检测的基础工具。具体而言，我们利用去噪扩散模型(DDMs)的去噪轨迹作为丰富纹理和语义信息的来源。通过分析放大后的 Stein 得分误差，我们引入一种无需在每个目标数据集上重新训练即可识别异常样本的方法。我们的做法在 SOTA 方面取得了提升，仅需在一个数据集上训练单个模型——CelebA——我们发现其作为基础分布非常有效，甚至在许多情况下超过更常用的数据集如 ImageNet。实验结果显示，在某些基准测试上实现近乎完美的性能，而在其他基准测试上则显示出显著的提升空间，凸显了生成式基础模型在异常检测中的强大潜力。
引用
@article{arxiv.2507.22692,
title = {Zero-Shot Image Anomaly Detection Using Generative Foundation Models},
author = {Lemar Abdi and Amaan Valiuddin and Francisco Caetano and Christiaan Viviers and Fons van der Sommen},
journal= {arXiv preprint arXiv:2507.22692},
year = {2025}
}
备注
Accepted at the workshop of Anomaly Detection with Foundation Models, ICCV 2025