摘要

近年来，由于异常数据数量有限，无监督异常检测在多个实际应用领域中受到广泛关注。其中一种主流方法是归一化流（normalizing flow），其核心思想是通过可逆变换将复杂的图像分布映射至简单分布（如标准正态分布 $ \mathcal{N}(0, I) $）。事实上，基于归一化流的算法（如 FastFlow 和 CFLOW-AD）在无监督异常检测任务中已达到当前最优性能。然而，我们发现这些算法在实际应用中通常并非将正常图像映射至 $ \mathcal{N}(0, I) $，而是转换为某种任意的正常分布。此外，其性能往往表现出不稳定性，这对无监督任务而言尤为关键，因为缺乏可用于验证的数据。为突破上述局限，我们提出一种简洁有效的解决方案——AltUB，该方法引入交替训练机制，动态优化归一化流的基分布，以提升异常检测的稳定性。实验结果表明，AltUB显著增强了归一化流在异常检测任务中的性能稳定性。更重要的是，该方法在 MVTec AD 数据集上的异常分割任务中取得了新的最先进性能，达到 98.8% 的 AUROC。