arXiv cs.AI· Muhammad Aqeel, Maham Nazir, Marco Cristani, Francesco Setti·· 11 小时前AI 评分27
DART：面向通用异常检测的领域无关残差迁移框架
DART: Domain-Agnostic Residual Transfer for Generalist Anomaly Detection
AI 导读
DART 是一个即插即用的通用异常检测框架，可将残差分离为异常相关与领域特定两部分，缓解纹理、几何、采集条件等外观因素造成的跨域纠缠。它结合残差解耦模块与跨域元训练，可插入现有 GAD 流程的残差计算与检测头之间。在 MVTec AD、VisA 和 BraTS 上，DART 相对多个基线方法取得一致提升，域偏移越强增益越大。
正文 · AI 翻译
摘要：通用异常检测（GAD）旨在仅使用少量参考样本检测未见域中的异常。近期基于正常-异常引导的方法通过利用异常参考样本改进了这一设定，但它们的残差往往将可迁移的异常线索与域特定的外观因素（如纹理、几何形状和采集条件）混在一起。这种残差的域纠缠限制了跨域迁移，并可能在新域上产生虚假激活。我们提出 DART，一个用于正常-异常引导 GAD 的插件式框架，它学习将残差分离为异常相关分量和域特定分量。DART 将残差解缠模块（在抑制域信息的同时保留异常判别信息）与跨域元训练（在源域之间构建片段以使分离有效）相结合。该方法与架构无关，可插入现有 GAD 流水线的残差计算与检测头之间。在 MVTec AD、VisA 和 BraTS 上的实验表明，该方法在多种基础方法上均取得一致改进，且在域偏移更强时增益最大。this https URL
| 评论： | 已被 NeurIPS 2026 接收 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2611.08271 [cs.CV] |
| （或 arXiv:2611.08271v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.08271 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Muhammad Aqeel [查看邮箱]
[v1]
2026年11月5日 星期四 16:43:20 UTC（1,796 KB）
来源：arXiv cs.AI · arxiv.org