Few-Shot Anomaly Detection via Category-Agnostic Registration Learning

大多数现有的异常检测方法需要为每个类别专门设计一个模型。尽管这种范例表现出有前途的结果，但计算成本高昂且效率低下，因此无法满足实际应用的要求。本文提出了一种新颖的少样本异常检测（FSAD）框架，受到人类如何通过将查询图像与已知的正常图像进行比较来检测异常的启发。使用来自各种类别的正常图像的训练集，注册被利用作为代理任务进行自监督类别无关表示学习，旨在对齐相同类别的正常图像。在测试时，提供一张图像及其相应的支持集，该支持集由同一类别的少量正常图像组成，并通过将测试图像的已注册特征与其相应的支持图像特征进行比较来识别异常。这样的设置使得模型能够推广到新的测试类别。据我们所知，这是第一个不需要针对新类别进行模型微调的FSAD方法：使单个模型适用于所有类别。广泛的实验证明了所提出方法的有效性。特别地，在MVTec和MPDD基准测试中，该方法将FSAD的当前最新技术水平分别提高了11.3%和8.3%。源代码可在https://github.com/Haoyan-Guan/CAReg找到。

解决问题：本文旨在提出一种新的few-shot异常检测方法，能够在不需要为每个类别单独建模的情况下实现对新类别的检测。

关键思路：本文采用注册技术对同一类别的正常图像进行对齐，以自监督的方式学习通用的表示，从而实现few-shot异常检测。在测试阶段，通过对比测试图像和同一类别的少量支持集图像的特征来检测异常。

其他亮点：本文提出的方法能够泛化到新的测试类别，不需要为每个类别单独建模；在MVTec和MPDD基准测试中，本文方法的表现优于当前的state-of-the-art方法；作者提供了开源代码。

相关研究：最近的相关研究包括：Few-Shot Learning、Anomaly Detection、Self-Supervised Learning等。