MATCH: Flow Matching for Multi-View Anomaly Detection

📄 arXiv: 2606.24375v1 📥 PDF

作者: Mathis Kruse, Melissa Schween, Bodo Rosenhahn

分类: cs.CV

发布日期: 2026-06-23

备注: Accepted at ECCV 2026

💡 一句话要点

提出MATCH方法以解决多视角异常检测问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 多视角异常检测 流匹配 实时检测 工业应用 异常评分 图像处理 深度学习

📋 核心要点

  1. 现有的多视角异常检测方法在处理复杂物体时面临效率和准确性不足的挑战。
  2. MATCH方法通过流匹配技术，能够在物体、图像和像素级别上有效检测异常，具有较高的灵活性和实时性。
  3. 在Real-IAD和MANTA-Tiny数据集上，MATCH方法在异常检测和分割任务中均表现出色，达到了最先进的性能水平。

📝 摘要（中文）

在工业物体中检测异常是提高生产效率的重要课题。复杂物体通常需要从多个视角进行分析，这促成了多视角异常检测领域的发展。本文提出MATCH，这是基于流匹配（Flow Matching）的首个多视角异常检测方法。通过流匹配的常微分方程（ODE）形式，我们能够估计可能性并由此推导出异常评分，以在物体、图像和像素级别检测多视角图像数据中的异常。流匹配模型的架构灵活性使我们能够有效地将不同空间大小的特征转换为正态分布。我们在已建立的Real-IAD数据集上进行了全面评估，并首次对MANTA-Tiny数据集上流行的异常检测方法进行了综合评估。MATCH在异常检测和分割方面均实现了最先进的性能，并且能够在消费级硬件上运行。通过省略用于可能性估计的昂贵散度项，我们确保MATCH可用于实时生产场景。最后，进行了多项消融研究以验证方法选择。

🔬 方法详解

问题定义：本文旨在解决多视角异常检测中的效率和准确性问题。现有方法在处理复杂物体时，往往无法有效整合来自不同视角的信息，导致检测性能不足。

核心思路：MATCH方法基于流匹配（Flow Matching）技术，通过常微分方程（ODE）形式来估计异常评分，能够在多个视角中有效识别异常。该设计使得模型在处理不同空间大小的特征时具备灵活性。

技术框架：MATCH的整体架构包括流匹配模块、特征转换模块和异常评分模块。流匹配模块负责从多视角图像中提取特征，特征转换模块将这些特征转换为正态分布，异常评分模块则基于这些特征计算异常评分。

关键创新：MATCH的主要创新在于其流匹配方法的引入，省略了传统方法中用于可能性估计的昂贵散度项，使得模型能够在实时生产环境中应用。

关键设计：在参数设置上，MATCH采用了灵活的网络结构，能够处理不同空间尺度的特征。此外，损失函数设计上考虑了异常评分的准确性，确保模型在训练过程中能够有效学习。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

MATCH在Real-IAD和MANTA-Tiny数据集上均实现了最先进的性能，异常检测和分割任务的准确率显著高于现有基线方法，尤其在实时应用场景中表现出色，确保了高效的生产流程。

🎯 应用场景

MATCH方法在工业生产、监控系统和安全检测等领域具有广泛的应用潜力。通过实时检测异常，能够显著提高生产效率和安全性，降低潜在损失。未来，该方法还可扩展到其他领域，如智能交通和医疗影像分析等。

📄 摘要（原文）

Detecting anomalies in industrial objects is an important topic for increasing production efficiency. More complex objects often require the analysis of several view points, which has led to the field of multi-view anomaly detection. We present MATCH, the first multi-view anomaly detection method based on Flow Matching (FM). With the ODE formulation of Flow Matching, we can estimate likelihoods and thereby derive an anomaly score to detect anomalies in multi-view image data at object, image, and pixel-level. The architectural flexibility of FM models allows us to efficiently transform features of different spatial sizes to the normal distribution. We evaluate thoroughly on the already established Real-IAD data set and are also the first to provide a comprehensive evaluation of popular anomaly detection methods for the MANTA-Tiny data set. MATCH achieves state-of-the-art performance in both anomaly detection and segmentation, all while running on consumer-level hardware. By omitting the costly divergence term needed for likelihood estimation, we ensure that MATCH is usable in real-time production scenarios. Lastly, several ablation studies are conducted to validate the methodological choices.