解耦结构证据和逻辑证据以实现无需训练的异常检测

《Pattern Recognition》：Decoupled calibration of structural and logical evidence for training-free anomaly detection

　　

• •
  我们发现了在统一的无训练异常检测方法中存在的证据校准错误。
• •
  DeCal能够在不使用新的检测器框架的情况下校准和融合异构证据。
• •
  结构和逻辑流被解耦并分别进行校准。
• •
  DeCal提高了跨基准测试的可直接比较的无训练基线性能。

引言

异常检测是一个基本的模式识别问题，应用于工业检测[1]、[2]、制造业[3]、[4]、医学成像[5]、视频监控[6]和自动驾驶[7]等领域。无训练方法避免了针对任务的优化，同时受益于预训练的视觉和视觉语言表示[8]、[9]。这一领域已经从局部特征匹配和重建发展到基于提示的语义推理[10]、[11]、[12]。

统一的框架进一步整合了补丁级、实例级和组合级的线索，以便在一个流程中检测结构和逻辑异常[13]、[14]。前者表现为局部损坏或变形，而后者则违反了数量、排列或关系的一致性。然而，这些异构线索通常只在最终决策之前作为标量分数对齐。由于它们的语义、分布和可靠性不同，同质化聚合可能会高估良性的变化并稀释微妙的异常。我们将这种现象称为证据校准错误（见图1）。

这一观察结果促使我们提出了解耦校准的方法[15]、[16]。与传统置信度校准[17]、[18]不同，这里的挑战在于调和不同形式的异常证据。结构线索需要基于参考的局部校准，因为许多误报仍然与正常外观变化兼容。逻辑线索需要关系建模，因为组合错误往往取决于实例关系，而不仅仅是孤立的数量或布局统计[1]、[19]。

因此，我们提出了DeCal，该方法将多粒度证据重新组织为结构和逻辑流，分别校准每个流，并根据样本的可靠性进行融合。结构流抑制了可以通过正常参考解释的响应，同时保留了与参考不一致的弱异常。逻辑流将分割掩码转换为实例关系图，并将其与类别级别的正常图分布进行比较[1]、[20]。将融合分数绑定到原始检测器上可以保持基础检测器的稳定性。DeCal仍然是无训练的，且不需要额外的大型模型推理。

本文重点关注现有统一流程中暴露的异构异常证据的校准和融合，而不是设计新的检测器框架。我们的贡献总结如下：

• •
  问题。我们发现证据校准错误是统一无训练异常检测的一个限制：异构线索在分数层面的对齐导致了误报和漏报的耦合失败模式。
• •
  方法。DeCal从现有的统一检测器中校准可重用的证据，而不是替换其框架。它通过特定于流的校准和基于可靠性的融合，结合了基于参考的结构细化和关系逻辑建模。
• •
  证据。在MVTec AD、VisA和MVTec LOCO上的实验显示，与直接可比较的无训练基线相比，DeCal有了一致的改进，在误报控制和异常召回率之间取得了更好的平衡。

章节片段

无训练的统一异常检测

无训练的异常检测重新利用预训练的视觉或视觉语言表示，而不需要进行特定于类别的优化。SPADE检索像素对齐的多尺度对应关系[21]，PaDiM拟合位置级别的补丁分布[2]，PatchCore构建了一个紧凑的最近邻内存[8]，CFLOW-AD估计条件补丁概率[4]。训练有素的检测器追求互补的目标：反向蒸馏将一类知识传递给学生解码器[10]，EfficientAD

问题设置和概述

我们在小样本正常参考设置下考虑无训练的异常检测。给定一个来自同一类别的测试图像$x$和一个小样本正常参考集${\mathcal{R}}_c={<mi\; is="true">r</mi>i\}}_{}^{}i=1M$，目标是在没有特定于类别的训练或检测器微调的情况下预测图像级别的异常分数。我们关注统一异常检测，其中可能同时出现结构异常和逻辑异常。

本文关注的核心问题是统一模型中的证据校准错误

实验设置

数据集。我们在三个代表性的异常检测基准测试上评估DeCal：MVTec AD [3]、VisA [36]和MVTec LOCO AD [1]。MVTec AD和VisA主要关注结构异常，而MVTec LOCO AD明确包含了结构异常和逻辑异常，使我们能够同时检查局部缺陷检测和关系异常检测。

协议。对于所有数据集，我们遵循标准的异常检测评估协议。当结构和逻辑子集标签可用时

结论

统一的无训练检测器通常将结构和逻辑线索作为标量分数进行融合，尽管它们在语义、分布和可靠性上有所不同。DeCal在不重新训练或替换检测器的情况下解决了这种证据校准错误问题。它将可重用的证据重新组织为结构和逻辑流，分别校准每个流，并通过基于基准分数的可靠性感知融合将它们结合起来。

实验显示，在误报控制和异常

CRediT作者贡献声明

秦思萌：撰写——原始草稿，软件，方法论，概念化。李刚：撰写——审稿与编辑，验证，方法论，形式分析。胡嘉豪：可视化，软件，调查，数据管理。贾晓霜：撰写——审稿与编辑，监督，形式分析。廖杰：撰写——审稿与编辑，监督，项目管理，概念化。

伦理审批和参与同意

本研究不涉及人类参与者或动物。所有实验都在公开可用的基准数据集上进行，没有进行涉及个人或敏感信息的额外数据收集。

出版同意

所有作者都已审阅了手稿并同意其出版。

关于手稿准备过程中生成式AI和AI辅助技术的声明

在准备这项工作时，作者仅使用生成式AI来改进手稿的语言和语法。使用该工具后，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。

未引用的参考文献

[38], [39]

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

秦思萌|李刚|胡嘉豪|贾晓霜|廖杰