摘要

尽管无监督异常检测技术发展迅速，现有方法仍需要为不同的对象训练单独的模型。在本研究中，我们提出了一个统一框架——UniAD，该框架能够实现多类别的异常检测。在这种具有挑战性的设置下，流行的重建网络可能会陷入“同一捷径”，即正常样本和异常样本都能被很好地重建，从而无法识别出离群点。为了克服这一障碍，我们进行了三项改进。首先，我们重新审视了全连接层、卷积层以及注意力层的公式，并确认查询嵌入（即注意力层内的查询嵌入）在防止网络学习捷径方面的重要作用。因此，我们设计了一个逐层查询解码器来帮助建模多类别分布。其次，我们采用了邻域掩码注意力模块以进一步避免输入特征向重建输出特征的信息泄露。最后，我们提出了一种特征抖动策略，促使模型即使在噪声输入的情况下也能恢复正确的信息。我们在MVTec-AD和CIFAR-10数据集上评估了我们的算法，在这些数据集上我们的算法显著超越了现有的最先进方法。例如，在MVTec-AD数据集中学习统一模型以涵盖15个类别时，我们在异常检测任务（从88.1%提高到96.5%）和异常定位任务（从89.5%提高到96.8%）上的表现均超过了第二名竞争对手。代码可在https://github.com/zhiyuanyou/UniAD 获取。