Hypergraph Normal World Models for Logical Visual Anomaly Detection

📄 arXiv: 2606.25368v1 📥 PDF

作者: Weizhi Nie, Zibo Xu, Weijie Wang, Yuting Su

分类: cs.CV

发布日期: 2026-06-24

备注: 20 pages, 10 figures

💡 一句话要点

提出超图正常世界模型以解决逻辑视觉异常检测问题

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

关键词: 视觉异常检测 超图模型 逻辑异常 DINOv2 信息量分数 机器学习 计算机视觉

📋 核心要点

  1. 现有的一类检测器在处理逻辑异常时存在不足，无法有效捕捉整体图像的异常特征。
  2. 本文提出超图正常世界模型，通过提炼DINOv2补丁令牌，构建空间超边，旨在捕捉逻辑异常的关系特征。
  3. 实验结果表明，超图模型在逻辑异常检测上显著提升AUROC，从0.8434提高至0.9279，且在少量正常图像下依然有效。

📝 摘要（中文）

视觉异常检测通常仅依赖正常训练图像。现有的一类检测器将测试补丁或特征映射到正常参考分布，适用于局部结构缺陷。然而，逻辑异常的情况不同，图像的每个可见部分可能看起来正常，但整体图像却违反了正常计数、共现或空间关系。本文研究模型是否可以仅从正常图像中学习特定类别的正常世界。我们提出了超图正常世界模型，这是一种仅基于正常图像的检测器，通过将冻结的DINOv2补丁令牌提炼为补丁、关系和超图统计信息，构建了基于令牌组的空间超边。通过信息量分数对每个测试图像进行评分，分离局部、关系、超边和超边-关系证据。在MVTec LOCO早餐盒验证数据上，完整的超图模型将逻辑异常的AUROC从0.8434提升至0.9279。

🔬 方法详解

问题定义：本文旨在解决逻辑视觉异常检测的问题，现有方法在处理整体图像异常时表现不足，无法有效捕捉到图像中各部分之间的关系和整体结构的异常。

核心思路：提出超图正常世界模型，利用正常图像学习特定类别的正常世界，通过构建空间超边来捕捉图像中各部分的关系，从而更好地识别逻辑异常。

技术框架：模型首先提取DINOv2的补丁令牌，然后基于这些令牌构建补丁、关系和超图统计信息，最后通过信息量分数对测试图像进行评分，分离不同类型的证据。

关键创新：最重要的创新在于引入超图结构来建模图像中各部分之间的关系，而不仅仅是局部补丁，从而提高了逻辑异常检测的准确性。

关键设计：模型设计中使用了信息量分数作为评分机制，能够有效区分局部和关系证据，同时在超边和超边-关系证据的评分上也进行了优化。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，超图模型在逻辑异常检测中的AUROC从DINOv2的0.8434提升至0.9279，相较于非超图变体也从0.9013提升至0.9279，表明该模型在逻辑异常检测中具有显著的性能提升。

🎯 应用场景

该研究在工业检测、安防监控和医疗影像等领域具有广泛的应用潜力。通过有效识别逻辑异常，可以提高产品质量监控的准确性，增强安全防范能力，并在医疗影像分析中提供更可靠的辅助诊断工具。

📄 摘要（原文）

Visual anomaly detection is often deployed with only normal training images. Most one-class detectors map test patches or features to a normal reference distribution. This works well for local structural defects. Logical anomalies are different. Each visible part may look normal, while the whole image violates a normal count, co-occurrence, or spatial relation. This paper studies whether a model can learn such a category-specific normal world from nominal images alone. We propose the Hypergraph Normal World Model, a normal-only detector that distills frozen DINOv2 patch tokens into patch, relation, and hypergraph statistics. It builds spatial hyperedges over token groups. It then scores each test image with an information quotient that separates local, relational, hyperedge, and hyperedge-relation evidence. On the available MVTec LOCO breakfast-box validation data, the full hypergraph model improves logical anomaly AUROC from 0.8434 for DINOv2 patch-kNN to 0.9279. It also improves over the non-hypergraph variant, from 0.9013 to 0.9279. Few-shot experiments show that the model remains effective with very limited normal images. We also test whether the score reflects normal-world knowledge rather than a shallow mapping. t-SNE separates logical anomalies in the learned energy space. Relation counterfactuals increase the information quotient by 83.13 on average. Random hypergraphs reduce logical AUROC, and hyperedge attribution is much larger on logical anomalies. Qualitative examples show that high scores are driven by relation-bearing terms. These results suggest that logical visual anomaly detection should model normal relations, not only normal local patches.