Learning Topology-Aware Representations via Test-Time Adaptation for Anomaly Segmentation

📄 arXiv: 2606.28268v1 📥 PDF

作者: Ali Zia, Usman Ali, Abdul Rehman, Umer Ramzan, Kang Han, Muhammad Faheem, Shahnawaz Qureshi, Wei Xiang

分类: cs.CV, cs.AI

发布日期: 2026-06-26

💡 一句话要点

提出TopoTTA以解决异常分割中的结构一致性问题

🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting)

关键词: 异常分割 测试时适应 持久同调 拓扑数据分析 深度学习 几何学习 结构一致性

📋 核心要点

  1. 现有的测试时适应方法在异常分割中依赖于像素级启发式，无法有效处理噪声和纹理变化带来的结构一致性问题。
  2. 论文提出TopoTTA框架，通过集成持久同调，增强了异常分割过程中的几何和结构一致性，避免了对原始得分阈值化的依赖。
  3. 在六个标准基准上，TopoTTA方法的平均F1值提高了15%，尤其在处理复杂几何异常时表现出显著优势。

📝 摘要（中文）

测试时适应（TTA）已成为缓解深度模型分布偏移的有前景的范式。然而，现有的TTA方法在异常分割中受到限制，主要依赖于像素级启发式方法，如置信度阈值或熵最小化，这些方法在噪声和纹理变化下无法保持结构一致性。此外，它们通常将异常图视为平坦的强度场，忽略了复杂缺陷几何特征的高阶空间关系。我们提出了TopoTTA（拓扑测试时适应），这是一个新颖的框架，将持久同调这一拓扑数据分析工具集成到TTA流程中，以在适应过程中强制执行几何和结构一致性。通过对异常得分图应用多级立方复合体滤波，TopoTTA导出了稳健的拓扑伪标签，指导轻量级的测试时分类器，从而提高分割质量而无需重新训练主干模型。该方法避免了对特定方法的原始得分阈值化的依赖，保持了连通性，并在2D和3D模式下具有良好的泛化能力。大量实验表明，在六个标准基准（MVTec AD、VisA、Real-IAD、MVTec 3D-AD、AnomalyShapeNet和MVTec LOCO）上，平均F1值提高了15%，在具有复杂几何或结构变化的异常上获得了最大的提升。这些发现表明，将拓扑推理集成到测试时适应中为结构感知泛化提供了一条有原则的途径，弥合了几何学习与稳健适应之间的差距。

🔬 方法详解

问题定义：论文要解决的具体问题是现有TTA方法在异常分割中无法保持结构一致性，尤其是在噪声和纹理变化的情况下。现有方法通常依赖于简单的像素级启发式，导致对复杂缺陷几何特征的忽视。

核心思路：论文的核心解决思路是引入持久同调这一拓扑数据分析工具，以增强异常分割过程中的几何和结构一致性。通过这种方式，TopoTTA能够在适应过程中保持更高的结构连通性和准确性。

技术框架：TopoTTA的整体架构包括多个模块：首先，对异常得分图进行多级立方复合体滤波，提取拓扑特征；其次，生成稳健的拓扑伪标签；最后，利用这些伪标签指导轻量级的测试时分类器进行分割。

关键创新：最重要的技术创新点在于将持久同调集成到TTA流程中，这与现有方法的本质区别在于，现有方法通常忽视高阶空间关系，而TopoTTA则通过拓扑特征来增强结构感知能力。

关键设计：在设计中，TopoTTA采用了多级立方复合体滤波技术，以提取异常得分图的拓扑特征。此外，轻量级分类器的设计使得在不重新训练主干模型的情况下，依然能够有效提升分割质量。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，TopoTTA在六个标准基准上实现了平均15%的F1值提升，尤其在处理复杂几何或结构变化的异常时，表现出最大的性能增益。这一结果显著优于现有的无监督异常检测和分割方法，验证了其有效性。

🎯 应用场景

该研究的潜在应用领域包括工业缺陷检测、医学影像分析以及任何需要异常检测的场景。通过提高异常分割的准确性和鲁棒性，TopoTTA能够在实际应用中显著提升系统的可靠性和效率，具有广泛的实际价值和未来影响。

📄 摘要（原文）

Test-time adaptation (TTA) has emerged as a promising paradigm for mitigating distribution shifts in deep models. However, existing TTA approaches for anomaly segmentation remain limited by their reliance on pixel-level heuristics, such as confidence thresholding or entropy minimisation, which fail to preserve structural consistency under noise and texture variation. Moreover, they typically treat anomaly maps as flat intensity fields, ignoring the higher-order spatial relationships that characterise complex defect geometries. We introduce TopoTTA (Topological Test-Time Adaptation), a novel framework that integrates persistent homology, a tool from topological data analysis, into the TTA pipeline to enforce geometric and structural coherence during adaptation. By applying multi-level cubical complex filtration to anomaly score maps, TopoTTA derives robust topological pseudo-labels that guide a lightweight test-time classifier, enhancing segmentation quality without retraining the backbone model. The approach avoids reliance on method-specific raw-score thresholding for mask binarisation, preserves connectivity, and generalises across both 2D and 3D modalities. Extensive experiments across six standard benchmarks (MVTec AD, VisA, Real-IAD, MVTec 3D-AD, AnomalyShapeNet, and MVTec LOCO) demonstrate an average 15% F1 improvement over state-of-the-art unsupervised anomaly detection and segmentation methods, with the largest gains on anomalies exhibiting complex geometric or structural variations. These findings suggest that integrating topological reasoning into test-time adaptation provides a principled route to structure-aware generalisation, bridging the gap between geometric learning and robust adaptation.