ADNet：一个跨越380个真实世界类别的多领域异常检测基准

《Pattern Recognition》：ADNet: A multi-domain benchmark for anomaly detection across 380 real-world categories

　　

ADNet是一个大规模、可扩展的异常检测基准，涵盖五个领域的380个真实世界类别。它整合了49个公共数据集，提供了196,294张RGB图像，并具有统一的MVTec风格的像素级标注。大量实验揭示了明显的可扩展性差距，I-AUROC在380类多类设置中从90.9%下降到78.5%。ADNet为评估可扩展异常检测方法和未来的AD基础模型提供了标准化基础。

异常检测（AD）旨在仅使用无异常样本训练，识别图像中的异常区域或缺陷样本，在工业检测、医疗成像、基础设施监控等安全敏感场景中至关重要。现有基准如MVTec-AD、VisA和BTAD虽推动了方法发展，但普遍存在类别数量少（通常少于40类）、聚焦单一域、成像条件受控（如固定光照和视角）等问题，且各数据集格式、标注和协议互不兼容，导致主流基准接近饱和，难以区分方法优劣，也无法公平评估AD方法在跨类别、跨域扩展时的表现。因此，研究人员整合了49个公开数据集，构建了包含380个类别、覆盖电子、工业、农业食品、基础设施和医疗五个领域的ADNet基准，统一为MVTec风格的像素级标注，并引入类别规模达25倍于MVTec-AD的大规模测试平台。通过系统实验，他们发现现有方法在单类设置下平均I-AUROC为90.6%，但扩展到380类统一多类设置时显著下降至78.5%，揭示了清晰的可扩展性鸿沟。为此，他们提出了上下文引导的专家混合基线Dinomaly_m，将统一多类I-AUROC提升至83.2%。论文发表在《Pattern Recognition》，其意义在于为可扩展异常检测方法和未来AD基础模型提供了标准化的评估基础。

研究方法上，作者构建ADNet采用了标准化流水线：从学术出版物、公共数据平台（如Kaggle）和研究合作中收集来源，筛选满足像素级掩膜、类别标签明确、成像条件一致等标准的数据，开发专用转换器处理NIFTI/DICOM格式、边界框标注、大尺寸图像及高光谱/多视图数据，最终统一为RGB图像和MVTec风格掩膜，并按9:1划分训练/测试集，每类训练样本最多500张，正常测试最多100张，每缺陷类型最多100个异常样本。此外，利用GPT-4o-mini生成六字段JSON结构化文本注释（位置、颜色、形状、面积、数量、原因）。模型方面，Dinomaly_m在解码器中引入上下文引导的专家混合（cgMoE）模块，利用冻结DINOv2编码器输出的[CLS]令牌作为全局上下文，计算软路由权重，对多个专家前馈网络的参数矩阵进行凸组合，形成图像条件化的FFN，从而在不显著增加推理成本的情况下增强解码器的情境适应能力。

实验结果分析如下：

**Multi-class results**：在ADNet-380统一协议下评估11种代表性方法（包括记忆型、重构型、合成型），Dinomaly_m总体I-AUROC达83.2%，较基础模型Dinomaly（78.5%）提升4.7%；但所有方法均远低于在MVTec-AD上常见的95%–99%，说明大规模多域统一的挑战显著。

**Single-class vs. multi-class**：对比5种方法在单类和统一多类设置下的表现，所有方法在单类设置下均达87%–91% I-AUROC，证明各类别本身可学习；但在多类设置下普遍大幅下降，SimpleNet绝对下降35.9%，RD下降20.8%，而PatchCore和Dinomaly下降约12%，表明架构设计对多类鲁棒性至关重要。

**Domain-separated unified training**：对每个域单独训练统一Dinomaly_m模型，与ADNet-380联合训练相比，五个域的I-AUROC均提升（如Agrifood从65.3%升至73.5%），提示域感知划分可缓解部分跨类干扰，但每个模型仍需处理域内多类。

**Cross-domain generalization**：仅在工业域（154类）训练后零样本测试其他四域，所有方法均出现显著性能下降；Dinomaly在源域性能最高（90.1%），但跨域下降最大，而RD源域较低（71.9%）但跨域更稳健，说明高源域性能不代表强迁移能力。

**Utility analysis of structured text annotations**：对冻结的CLIP零样本和WinCLIP模型，仅将通用提示替换为ADNet类别级结构化提示（无标签泄露），CLIP的I-AUROC从69.72%升至72.81%，WinCLIP从60.91%升至65.20%，证明结构化文本包含异常相关语义线索，可被现有视觉-语言检测器利用。

**Few-shot scaling and stability**：在1/4/8/16-shot协议下评估，Dinomaly_m随着支持样本增多改进更明显，从4-shot起超越Dinomaly，且运行间标准差更小（16-shot时±0.1 vs ±0.8），显示ADNet能区分低样本下的稳定性差异。

**Performance scaling with category diversity**：在50/100/200/380类子集上训练统一模型，并在固定50类测试子集上评估，多数方法随类别数增加而下降，其中RD图像级下降最大（8.1%），SimpleNet像素级下降最大（11.1%）；Dinomaly_m的下降幅度（6.0/2.0）小于基础Dinomaly（7.5/2.9）。固定50类域诊断显示，域分离训练在医疗（恢复+9.6%）和农业食品（+7.9%）恢复较大；按训练样本量分层分析未发现单调不平衡效应，相关系数弱，表明类别规模是性能下降的主因而非数据不平衡。

**Ablation studies**：专家数量从1增至8时I-AUROC从78.5%升至83.2%，12专家时收益趋缓；路由上下文方面，编码器[CLS]与文本路由性能相当（83.2% vs 83.3%），说明视觉上下文已足够；骨干扩大至ViT-Large可将I-AUROC提至84.3%。效率对比显示，与参数匹配的“Fat Dinomaly”相比，Dinomaly_m以接近基础模型的FLOPs和延迟实现更高精度，证明图像条件化的容量分配优于静态拓宽网络。

讨论与结论部分指出，ADNet揭示的性能下降主要源于类别规模和域异质性，而不是单纯的数据不平衡；结构文本提示有助于提升冻结检测器性能，但零样本跨域迁移仍是未解难题，且文本尚未用于端到端监督。研究结论可概括为：研究人员提出了覆盖380类、196,294张RGB图像和60,311个像素级掩膜的多域基准ADNet，以及上下文引导的专家混合基线Dinomaly_m；在多项协议下，单类设置I-AUROC为90.6%，380类统一设置降至78.5%，而Dinomaly_m提升至83.2%/93.1%（I-AUROC/P-AUROC），推断成本接近基础模型。局限性包括零样本跨域泛化弱、性能对类别规模和域组成敏感、数据集继承公共资源可用性偏差，以及结构化语言注释目前仅用于提示级别。未来工作可探索文本条件路由、域自适应训练、更平衡的扩展以及丰富的多模态和文本监督扩展。ADNet旨在为可扩展异常检测和未来的AD基础模型提供实用基础。