Absolute-Unified Multi-Class Anomaly Detection via Class-Agnostic Distribution Alignment

传统的无监督异常检测方法为每个对象类别建立单独的模型。最近的研究提出了训练多个类别的统一模型，即模型统一的无监督异常检测。然而，这些方法在推断过程中仍然分别在每个类别上实现统一模型，并使用各自的异常决策阈值，这在图像类别完全不可用时会阻碍它们的应用。在这项工作中，我们提出了一种简单而强大的方法来解决多类别异常检测，而不需要任何类别信息，即绝对统一的无监督异常检测。我们针对先前工作在这个具有挑战性的设置中的关键问题：不同的对象具有不匹配的异常得分分布。我们提出了无类别分布对齐（CADA）来对齐每个隐含类别的不匹配得分分布，而不需要知道类别信息，从而实现所有类别和样本的统一异常检测。CADA的实质是预测每个类别的正常样本得分分布，给定任何属于该类别的图像，无论是正常的还是异常的。作为一种通用组件，CADA可以激活几乎所有在绝对统一设置下的无监督异常检测方法的潜力。我们的方法在两个流行的无监督异常检测基准数据集MVTec AD和VisA上得到了广泛评估，在提出的设置下超过了先前的最新技术。

本文旨在解决多类别异常检测的问题，即在没有类别信息的情况下，训练一个统一的模型来检测所有类别的异常。同时，该方法还要解决不同对象具有不匹配的异常分数分布的问题。

本文提出了一种名为CADA的方法，可以在不知道类别信息的情况下，将每个隐式类别的不匹配分数分布进行对齐，从而实现对所有类别和样本的统一异常检测。CADA的本质是预测每个类别的正常样本分数分布，即使是该类别的任何图像，无论正常或异常。

本文在两个流行的UAD基准数据集MVTec AD和VisA上进行了广泛评估，超过了以前的最新技术水平。实验结果表明，CADA可以激活几乎所有UAD方法在绝对统一设置下的潜力。此外，本文还提供了开源代码。

在最近的相关研究中，一些论文探讨了多类别异常检测的问题，例如“Multi-class Anomaly Detection with Discriminative Embeddings”和“Deep One-Class Classification with Uncertainty Learning”。