CVPR 2025 | 即插即用的無監督異常檢測框架！FlexUOD：適配高低污染率，性能效率雙在線

文章來源：計算機書童。

在計算機視覺領域，無監督圖像異常檢測（UOD）一直是極具挑戰性的任務。想象一下，當你面對一個完全未標記的數據集，既不知道正常樣本的分布規律，也不清楚異常樣本的比例（污染因子）時，如何準確識別出那些"不合群"的異常圖像？傳統方法往往在不同污染因子場景下表現得忽好忽壞，而今天要介紹的FlexUOD框架，正是為解決這一痛點而來。

論文信息 題目：FlexUOD: The Answer to Real-world Unsupervised Image Outlier Detection FlexUOD：解決現實世界中無監督圖像異常檢測的方法 作者：Zhonghang Liu、Kun Zhou、Changshuo Wang、Wen-Yan Lin、Jiangbo Lu 為何現有方法總是"水土不服"？

現實世界中的數據集往往復雜多變，異常樣本的比例（污染因子γ）可能從1%到50%不等。當γ較低時（大部分是正常樣本），基于正常樣本流形學習的方法效果顯著；可當γ較高時（異常樣本占比大），這些方法就會"集體失靈"，因為學習到的正常模式已經被大量異常樣本帶偏。

不同污染因子下方法性能差異

上圖清晰展示了現有方法的局限性：沒有一種方法能在所有污染因子場景下保持穩定性能。這就像用同一把鑰匙去開不同的鎖，顯然難以奏效。

FlexUOD框架：見招拆招的智慧

FlexUOD的核心思想非常直觀：針對不同污染因子，采用不同的檢測策略。就像醫生會根據病人的癥狀調整治療方案，這個框架能自動感知數據中的異常比例，靈活切換最優檢測模式。

總體架構：三部分協同工作
FlexUOD框架總體結構

整個框架由三個關鍵組件構成：

1. 低污染因子檢測器（f_low） ：擅長處理異常樣本少的場景

2. 高污染因子檢測器（f_high） ：專門應對異常樣本多的情況

3. 污染因子估計器 ：判斷當前場景屬于哪種類型，選擇合適的檢測器

當數據中異常樣本很少時，正常樣本的分布規律相對容易捕捉。研究者發現，在高維空間中，正常樣本往往集中在一個超球體表面，這個特性成為檢測異常的關鍵。

高維空間超球體特性示意圖

為了更精準地區分正常與異常樣本，f_low創新性地結合了兩種距離度量：

• 歐氏距離：測量樣本到均值的直線距離

• Bray-Curtis距離：一種非對稱度量，能有效避免對稱分布帶來的誤判

這種組合既利用了高維空間的幾何特性，又克服了傳統對稱度量的局限性，讓少量異常樣本無所遁形。

高污染因子場景的對策：f_high

當異常樣本占比很高時，直接學習正常模式變得困難。這時f_high反其道而行之，先利用f_low找出潛在的異常樣本，再基于這些異常樣本的分布規律進行檢測。

高污染因子檢測邏輯

這種方法借鑒了"殼理論"（Shell theory），通過對異常樣本進行歸一化處理，增強了特征表示的判別能力。就像在人群中先找出明顯的陌生人，再根據這些陌生人的特征去識別隱藏的同伴，大大提高了檢測效率。

智能切換的核心：污染因子估計

FlexUOD最巧妙的設計，是通過比較f_low和f_high的檢測結果來估計污染因子。研究者發現，兩種檢測器的排序一致性（用斯皮爾曼等級相關系數衡量）與污染因子呈近似線性關系。

排序一致性與污染因子關系

當污染因子低時，兩種方法的一致性低；當污染因子高時，一致性高。基于這個特性，框架能自動判斷：

• 一致性<0.1：用f_low

• 一致性>0.3：用f_high

• 中間值：融合兩種方法的結果

在多個基準數據集上的實驗證明，FlexUOD不僅性能優異，而且穩定性極強。

跨數據集的優異表現

在經典數據集如CIFAR-10、CIFAR-100上，FlexUOD相比現有方法分別提升了6%和3%的AUC分數。即使是在低分辨率、類別復雜的數據集上，也保持著領先優勢。

主要數據集實驗結果 實際應用場景的驗證

在工業缺陷檢測（MVTec-AD）、醫學影像分析等實際場景中，FlexUOD同樣表現出色。例如在"皮革"類別上達到了1.0的完美AUC分數，在"瓷磚"、"木材"等類別上也超過0.99。

工業缺陷檢測結果 與現有方法的對比

更令人驚喜的是，FlexUOD可以作為"增強插件"，顯著提升現有方法的穩定性。下圖顯示，將FlexUOD與OCSVM、LVAD等方法結合后，這些方法在不同污染因子下的性能波動明顯減小。

與現有方法結合效果 為什么FlexUOD如此高效？

1. 
   

   無需訓練 ：不需要額外的標注數據，直接對輸入特征進行處理

2. 輕量級架構 ：計算成本低，適合實際部署

3. 即插即用 ：可以與現有大多數UOD方法結合，提升其性能

4. 廣泛適用 ：不僅限于圖像數據，在表格數據等領域也表現優異

FlexUOD的出現為解決現實世界中的異常檢測問題提供了新思路。無論是工業生產線的缺陷檢測、醫學影像中的病灶識別，還是海量數據的數據清理，這個框架都能發揮重要作用。

異常檢測定性結果示例

上圖展示了FlexUOD在飛機圖像數據清理中的效果，能夠有效識別出包含乘客、駕駛艙等"分布內異常"的樣本，這對于構建高質量數據集具有重要意義。

總結

FlexUOD通過創新性地引入污染因子估計視角，打破了"一種方法適用于所有場景"的傳統范式。它像一位經驗豐富的決策者，能根據實際情況靈活選擇最優策略，在各種復雜場景下都保持穩定高效的表現。