入选CVPR 2025！清华＆华科大提出超强异常检测新方法！学会你也能发顶会

异常检测有新突破了！清华和华科大推出了INP-Former，从单张图像中提取正常模式，展现出卓越的性能和强大的泛化能力！成功被CVPR 2025收录。

仔细一瞧，今年的CVPR上异常检测相关的研究还挺多，比如最新零样本工业缺陷异常检测SOTA：AA-CLIP，还有突破跨领域限制的UniVAD，通过统一模型实现无需训练的泛化异常检测！

这些成果也足以证明，2025年异常检测仍然会是顶会热门！而且根据其在AIGC等新兴技术领域的拓展，未来在跨学科交叉方面应该会更有搞头。同时，我们也可以关注可解释、低资源等核心挑战，再结合垂直场景的深层次需求做创新。

本文整理了11篇异常检测2025新论文，基本都有开源代码，需要参考的同学可无偿获取。

全部论文+开源代码需要的同学看文末

Exploring Intrinsic Normal Prototypes within a Single Image for Universal Anomaly Detection

方法：论文介绍了一种新的异常检测方法INP-Former，它可以从单张测试图像中提取“内在正常原型”（INPs），并用这些INPs来重建图像中的正常部分，通过比较重建误差来检测异常。这种方法在多种异常检测任务上表现优异。

创新点：

• 提出INP-Former方法，从单张测试图像中直接提取“内在正常原型”（INPs）用于异常检测。

• 引入INP一致性损失，确保提取的INPs准确代表正常特征，避免异常干扰。

• 设计软挖掘损失，优化训练过程，重点关注难以重建的正常区域，提升检测性能。

AA-CLIP: Enhancing Zero-Shot Anomaly Detection via Anomaly-Aware CLIP

方法：论文提出AA-CLIP，一种改进CLIP模型的方法，用于零样本异常检测。它通过两阶段训练：第一阶段创建区分正常和异常的文本锚点，第二阶段将视觉特征与这些锚点对齐，从而提高异常检测的准确性。这种方法在保持CLIP泛化能力的同时，显著提升了异常检测性能。

创新点：

• 提出AA-CLIP，通过两阶段训练策略增强CLIP对异常的感知能力。

• 在第一阶段，引入残差适配器和解耦损失函数，清晰区分正常和异常的文本特征。

• 在第二阶段，将视觉特征与文本锚点对齐，实现精准的异常定位和检测。

UniVAD: A Training-free Unified Model for Few-shot Visual Anomaly Detection

方法：UniVAD是一种无需训练的统一模型，用于少样本视觉异常检测。它通过三个模块实现跨领域的异常检测：C3模块分割图像组件，CAPM模块检测结构异常，GECM模块检测逻辑异常。最终结果由多级异常检测结果聚合而成，实验表明其在多个领域的异常检测性能优于现有方法。

创新点：

• UniVAD实现了跨领域异常检测，无需针对每个领域单独训练，仅用少量正常样本即可检测多种领域的异常。

• C3模块结合视觉基础模型和聚类技术，精准分割图像组件，适应少样本场景。

• CAPM和GECM模块分别检测结构和逻辑异常，聚合多级信息提升检测性能。

ToCoAD: Two-Stage Contrastive Learning for Industrial Anomaly Detection

方法：ToCoAD是一种用于工业异常检测的两阶段训练方法。第一阶段通过合成异常样本训练一个判别网络来粗略定位异常；第二阶段利用该网络提供负样本指导，通过对比学习微调特征提取器，增强模型对异常的敏感性。最终通过记忆库和距离计算实现异常定位。该方法在多个数据集上表现出色。

创新点：

• 两阶段训练：先用合成异常训练判别网络，再用其引导对比学习微调特征提取器。

• 负样本引导：通过正负样本联合训练，增强模型对异常的敏感性。

• 性能优异：在多个数据集上取得高AUROC分数，证明了方法的有效性。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“222”获取全部方案+开源代码

码字不易，欢迎大家点赞评论收藏