UniADC: A Unified Framework for Anomaly Detection and Classification

📄 arXiv: 2511.06644v1 📥 PDF

作者: Ximiao Zhang, Min Xu, Zheng Zhang, Junlin Hu, Xiuzhuang Zhou

分类: cs.CV

发布日期: 2025-11-10

🔗 代码/项目: GITHUB

💡 一句话要点

提出UniADC，统一异常检测与分类框架，解决信息孤岛问题。

🎯 匹配领域: 支柱三：空间感知 (Perception & SLAM)

关键词: 异常检测 异常分类 图像修复 多任务学习 少样本学习

📋 核心要点

  1. 现有异常检测与分类方法相互独立，忽略了任务间的关联性，导致信息共享不足，性能受限。
  2. UniADC通过可控图像修复网络合成特定类别的异常图像，并利用多任务判别器实现联合检测与分类。
  3. 实验结果表明，UniADC在多个数据集上显著优于现有方法，在异常检测、定位和分类方面均有提升。

📝 摘要（中文）

本文提出了一种统一的异常检测与分类任务框架UniADC，旨在同时检测图像中的异常区域并识别其具体类别。现有方法通常将异常检测和分类视为独立任务，忽略了它们内在的关联性，限制了信息共享，导致性能欠佳。为了解决这个问题，我们提出了UniADC，一个统一的异常检测和分类模型，它只需少量甚至无需异常图像即可有效地执行这两项任务。具体来说，UniADC由两个关键组件组成：一个无训练的可控图像修复网络和一个多任务判别器。修复网络可以通过重绘由异常先验引导的正常区域来合成特定类别的异常图像，并且还可以重绘少样本异常样本以扩充可用的异常数据。然后，多任务判别器在这些合成样本上进行训练，通过将细粒度的图像特征与异常类别嵌入对齐，从而实现精确的异常检测和分类。我们在包括MVTec-FS、MTD和WFDD在内的三个异常检测和分类数据集上进行了大量实验，结果表明UniADC在异常检测、定位和分类方面始终优于现有方法。

🔬 方法详解

问题定义：现有方法将异常检测和异常分类视为两个独立的任务，忽略了它们之间的内在联系。这种分离导致信息无法有效共享，从而限制了模型的整体性能。此外，许多方法需要大量的异常样本进行训练，但在实际应用中，异常样本往往难以获取。因此，如何在少量甚至没有异常样本的情况下，同时实现准确的异常检测和分类是一个关键问题。

核心思路：UniADC的核心思路是利用可控的图像修复网络生成具有特定类别属性的异常图像，从而解决异常样本稀缺的问题。通过将异常检测和分类任务整合到一个统一的框架中，模型可以学习到更丰富的特征表示，并更好地利用正常样本和少量异常样本中的信息。这种方法避免了信息孤岛，实现了任务之间的互补。

技术框架：UniADC主要由两个模块组成：1) 无训练的可控图像修复网络：该网络负责根据给定的异常先验和类别信息，将图像中的正常区域修复成具有特定异常特征的区域，从而合成异常图像。2) 多任务判别器：该判别器以合成的异常图像和真实图像作为输入，同时进行异常检测和分类。它通过将图像特征与异常类别嵌入对齐，从而实现对异常区域的精确定位和分类。整个框架采用端到端的方式进行训练。

关键创新：UniADC的关键创新在于其统一的框架设计和可控的图像修复网络。与现有方法相比，UniADC能够同时进行异常检测和分类，避免了信息孤岛问题。此外，通过可控的图像修复网络，UniADC可以在没有真实异常样本的情况下生成高质量的异常图像，从而解决了异常样本稀缺的问题。这种方法使得模型能够在少量甚至没有异常样本的情况下进行训练，具有很强的实用性。

关键设计：可控图像修复网络的设计允许用户指定要生成的异常类别，这通过将类别嵌入作为修复网络的输入来实现。多任务判别器使用交叉熵损失进行分类任务的训练，并使用对抗损失进行异常检测任务的训练。此外，为了提高模型的泛化能力，UniADC还采用了数据增强技术，例如随机裁剪和旋转。具体的网络结构和参数设置在论文中有详细描述。

📊 实验亮点

UniADC在MVTec-FS、MTD和WFDD三个数据集上进行了广泛的实验，结果表明其在异常检测、定位和分类方面均优于现有方法。例如，在MVTec-FS数据集上，UniADC在少样本异常分类任务中取得了显著的性能提升，相比于现有最佳方法，F1-score提升了超过5%。实验结果充分验证了UniADC的有效性和优越性。

🎯 应用场景

UniADC具有广泛的应用前景，例如工业制造中的产品缺陷检测、医疗影像分析中的疾病诊断、安全监控中的异常事件识别等。该方法能够有效利用正常样本和少量异常样本，降低了对异常数据的依赖，使其在实际应用中更具优势。未来，该研究可以进一步扩展到视频异常检测、时序数据异常检测等领域。

📄 摘要（原文）

In this paper, we introduce the task of unified anomaly detection and classification, which aims to simultaneously detect anomalous regions in images and identify their specific categories. Existing methods typically treat anomaly detection and classification as separate tasks, thereby neglecting their inherent correlation, limiting information sharing, and resulting in suboptimal performance. To address this, we propose UniADC, a unified anomaly detection and classification model that can effectively perform both tasks with only a few or even no anomaly images. Specifically, UniADC consists of two key components: a training-free controllable inpainting network and a multi-task discriminator. The inpainting network can synthesize anomaly images of specific categories by repainting normal regions guided by anomaly priors, and can also repaint few-shot anomaly samples to augment the available anomaly data. The multi-task discriminator is then trained on these synthesized samples, enabling precise anomaly detection and classification by aligning fine-grained image features with anomaly-category embeddings. We conduct extensive experiments on three anomaly detection and classification datasets, including MVTec-FS, MTD, and WFDD, and the results demonstrate that UniADC consistently outperforms existing methods in anomaly detection, localization, and classification. The code is available at https://github.com/cnulab/UniADC.