近期我们针对11种小样本异常检测的前沿成果进行了深度整合，从中筛选出22篇很有参考价值的论文，收录了CVPR、AAAI、ICLR等顶会顶刊上的相关工作，并配套整理了开源代码实现。
这些论文基本覆盖了当前主流方法与技术瓶颈，特别适合正在准备论文的朋友，无论你是想找创新突破口、设计课题方案，还是想复现经典模型，都能提供实质性帮助。
扫描下方二维码，回复「小样异常」
免费获取全部论文合集及项目代码
MediCLIP: Adapting CLIP for Few-shot Medical Image Anomaly Detection
内容：本文提出面向小样本医学图像异常检测的MediCLIP方法，基于预训练CLIP模型，采用可学习提示词替代人工文本提示，引入适配器对齐视觉编码器多层中间特征与文本特征以实现多尺度病灶定位，结合CutPaste、GaussIntensityChange、Source三类异常合成策略，仅依靠少量正常医学图像生成合成异常样本开展自监督微调，采用Focal损失与Dice损失联合优化，推理阶段依靠相似度矩阵生成像素级异常图与图像级异常分数，在CheXpert、BrainMRI、BUSI三个医学数据集上开展对比、消融以及跨任务零样本泛化实验，验证该方法相比现有小样本异常检测方法具备更优的异常识别与病灶定位能力，同时具备跨医学任务迁移的潜力。
AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model
内容：本文提出基于潜在扩散模型的小样本工业缺陷图像生成模型AnomalyDiffusion，设计空间异常嵌入模块，将异常解耦为表征缺陷外观的可学习异常嵌入与由掩码编码得到的空间嵌入，再引入自适应注意力重加权机制，根据生成图像与正常样本的差异动态重校准交叉注意力，促使模型重点关注缺陷生成效果不足的区域，以此提升生成缺陷与掩码的对齐程度，还借助文本反演学习掩码嵌入生成大量多样化异常掩码，在MVTec数据集上开展生成质量对比、下游缺陷检测定位以及消融实验，该方法能够生成真实度高、掩码对齐的缺陷‑图像配对样本，使用该生成样本训练下游检测网络可以取得优于现有生成方法的缺陷检测与定位效果。
扫描下方二维码，回复「小样异常」
免费获取全部论文合集及项目代码
Few-Shot Anomaly Detection via Category-Agnostic Registration Learning
内容：本文提出类别无关配准学习框架CAREG用于小样本异常检测，以配准作为自监督代理任务，在骨干网络中嵌入多层空间变换模块完成特征级配准，采用聚合特征策略将单张图像配准改进为向一组支持集图像做配准，测试阶段无需对新类别微调模型，直接提取测试图与少量目标类别正常支持集的配准特征，可对接PaDim、OrthoAD、PatchCore多种主流正常分布估计器计算异常分数，还设计基于Wasserstein距离的增强选择机制自适应挑选适配各类别的数据增强策略，在MVTec、MPDD工业异常数据集上开展对比、消融以及跨数据集泛化实验，该单模型可适配全部类别，相比现有小样本异常检测方法在检测与定位指标上取得显著提升，同时推理适配开销更低。
ANOMALY MULTI-CLASSIFICATION IN INDUSTRIAL SCENARIOS:
TRANSFERRING FEW-SHOT LEARNING TO A NEW TASK
内容：本文定义工业小样本异常多分类新任务，即在拥有大量正常样本、仅少量各类缺陷样本条件下完成缺陷类别区分，依托PatchCore提取特征，通过检索正常特征库计算残差表征来突出异常区域，搭建基于RelationNet的基础基线模型，设计伪类别缺陷数据生成策略构建代理预训练任务以解决工业缺少跨域预训练缺陷集的难题，再引入InfoNCE对比学习改造网络得到对比分类器，在MVTec AD、MVTec3D AD数据集开展实验与消融实验，验证残差表征、数据预训练、对比学习模块的有效性，该框架可嵌入PaDim、SPADE等主流异常检测算法，同时文中也指出生成策略在部分shot条件下存在性能退化、部分缺陷类别分类效果仍接近随机猜测等局限。
扫描下方二维码，回复「小样异常」
免费获取全部论文合集及项目代码
