面向通用异常检测的相对异常关系学习
《Pattern Recognition》:Learning relative abnormal relations for generalist anomaly detection
【字体:
大
中
小
】
时间:2026年08月27日
来源:Pattern Recognition 9.1
编辑推荐:
• 我们提出了一种通过相对异常关系进行通用异常检测的框架。
• PCL 模块通过相对原型关系学习异常表示。
• NRS 模块通过正常 - 异常响应约束抑制误报。
• 跨工业和医疗领域的实验验证了该方法的有效性。
引言
视觉异常检测(AD)已成为确保系统可靠性和安全性的关键技
• 我们提出了一种通过相对异常关系进行通用异常检测的框架。
• PCL 模块通过相对原型关系学习异常表示。
• NRS 模块通过正常 - 异常响应约束抑制误报。
• 跨工业和医疗领域的实验验证了该方法的有效性。
引言
视觉异常检测(AD)已成为确保系统可靠性和安全性的关键技术,其应用范围涵盖从工业质量控制到自动生物医学诊断等多个领域 [1], [2], [3]。AD 的主要目标是识别或定位在训练阶段很少遇到的异常模式 [4],例如医学成像中的结构病变或工业组件中的表面缺陷。大多数传统 AD 方法是在特定类别设置下开发的,即模型在一个域上训练并在同一域上评估 [5], [6], [7]。这种限制性的设置在进行域间转换时(例如从一种器官类型到另一种),需要繁琐的重训或微调,这由于数据隐私限制和稀有病理样本的极度稀缺往往是不切实际的。
在实际应用中,只能获得非常有限的异常样本。因此,提出了通用异常检测(GAD)范式 [8],该范式通过挖掘参考样本之间的残差特征来构建异常代理,成功摆脱了对单一域的依赖并实现了跨域异常定位。GAD 旨在开发一个统一框架,能够在无需类别特定适应的情况下在多个未见域中检测异常。早期尝试,如 InCTRL [9] 和 ResAD [10],通过基于查询样本与少样本正常参考之间的残差距离或分布差异来判别异常,开创了这一方向。在此基础上,NAGL [11] 通过联合建模正常和异常分布来提取高度可迁移的残差模式,进一步增强了检测能力。
尽管现有的基于残差的 GAD 方法取得了令人鼓舞的结果,但仍存在两个根本局限性。首先,它们通常隐式地学习异常表示和代理,缺乏显式约束来保证它们与真实异常区域的空间对齐。如图 1(a) 所示,这种隐式学习范式可能导致异常代理编码任意变化,而不是真正的异常特征,从而导致响应模糊和异常定位不准确。其次,现有方法仍缺乏有效的机制来抑制无异常区域中的误报。通常,异常响应和正常响应被融合以形成最终预测。现有方法主要关注放大异常响应,而忽略了约束正常区域响应的重要性。如图 1(b) 所示,令人困惑的正常纹理即使在无异常区域也可能诱发错误的异常响应。尽管正常分支可能已经提供了正常性的有力证据,但融合策略仍将这些错误的异常响应带入最终预测,导致正常区域出现误报。当正常纹理包含高频模式且在残差空间中容易与异常混淆时,这一问题变得更加严重。
为了解决这些问题,我们提出了用于通用异常检测的学习相对异常关系(LRAR)框架。具体来说,我们首先采用预训练的视觉编码器来提取视觉特征。其次,我们计算正常和异常残差,并共同利用它们来学习异常图。为了学习正常和异常模式之间的相对异常关系,我们进一步提出了两个新颖组件,即原型引导对比学习(PCL)和正常相对抑制(NRS)。PCL 模块显式地将学习到的异常代理与异常原型对齐,同时将其与正常原型分离,从而鼓励更具判别力的异常表示。同时,NRS 模块在正常区域施加基于边距的约束,确保正常响应始终超过异常激活,从而减少误报。总体而言,本文的主要贡献总结如下:
• 为解决异常表示缺乏显式细粒度监督以及误报抑制不足的问题,我们提出了学习相对异常关系(LRAR),这是一种用于通用异常检测的新型基于残差的框架。
• 我们提出了一个原型引导对比学习(PCL)模块,通过显式地将异常代理与异常原型对齐同时将其与正常原型分离,来学习更具判别力的异常表示。
• 我们提出了一个正常相对抑制(NRS)模块,通过强制正常响应在无异常区域对异常激活的相对主导地位来减少误报。
• 在跨工业和医疗领域的四个基准数据集上的广泛实验表明,LRAR 在图像级检测和像素级定位方面均达到了最佳或具有竞争力的性能。
章节片段
无监督异常检测
深度学习推动了视觉识别和异常检测领域的快速发展 [12], [13], [14]。然而,在实际场景中,异常样本通常稀缺、多样且标注成本高,使得全监督方法不太适用 [15]。因此,仅在正常数据上训练并通过测量与所学正常性的偏差来识别异常的无监督异常检测(UAD),已成为主流范式。现有的 UAD 方法可以广泛...
问题定义
我们的方法主要解决通用异常检测(GAD)任务。具体来说,我们分别使用 Dtr 和 Dte 表示训练域和测试域集合,它们是严格不相交的(Dtr∩Dte=?)。主要目标是在 Dtr 上训练一个统一的、可迁移的异常检测模型,使其能够泛化到 Dte 中先前未见过的目标域。
遵循常见的 GAD 设置,我们采用 episode 范式来组织训练数据。形式上,每个训练 episode...
数据集准备
为了在更具挑战性的 GAD 设置下验证 LRAR,我们在来自两个截然不同的领域的四个基准数据集上进行了实验,即工业数据集 MVTec [37] 和 VisA [38],以及医疗数据集 BraTS [39] 和 BUSI [40]。MVTec 包含 15 个物体和纹理类别,有 3629 张训练图像和 1725 张测试图像,而 VisA 覆盖 12 个工业物体类别,总共有 10,821 张图像,包括 9621 个正常样本和 1200 个异常样本。除了工业...
结论
贡献。这项工作提出了 LRAR,一个通用异常检测框架,解决了异常表示学习中的监督有限以及误报响应抑制不足的问题。建立在联合异常残差学习(JARL)流水线之上,LRAR 引入了原型引导对比学习(PCL)和正常相对抑制(NRS)。PCL 将异常代理与异常原型对齐以改善异常表示,而 NRS 建模相对...
CRediT 作者贡献声明
刘凯明:写作 – 审查与编辑,写作 – 原稿,验证,方法论,调查,形式分析,数据整理。王锐:写作 – 原稿,方法论,资金获取,概念化。郑超群:写作 – 原稿,方法论,数据整理。刘航航:写作 – 审查与编辑,调查,形式分析。张乐毅:验证,形式分析,数据整理。宗国浩:写作 – 审查与编辑,可视化,调查。
关于稿件准备过程中生成式 AI 和 AI 辅助技术的声明
在本工作的准备过程中,作者使用了 GPT 以润色表达。使用此工具/服务后,作者根据需要审查和编辑了内容,并对已发表文章的内容承担全部责任。
竞争利益声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报道的工作。
致谢
本工作得到了中国烟草总公司的资助,资助编号为 No. 110202202042 和 No. 110202401032 (SZ-06),部分得到了中国烟草总公司郑州烟草研究院青年人才支持计划的资助。
刘凯明 | 王锐 | 郑超群 | 刘航航 | 张乐毅 | 宗国浩 | 王迪 | 冯卫华 | 孙元
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号