CVPR 2025 | 即插即用的无监督异常检测框架！FlexUOD：适配高低污染率，性能效率双在线

文章来源：计算机书童。

在计算机视觉领域，无监督图像异常检测（UOD）一直是极具挑战性的任务。想象一下，当你面对一个完全未标记的数据集，既不知道正常样本的分布规律，也不清楚异常样本的比例（污染因子）时，如何准确识别出那些"不合群"的异常图像？传统方法往往在不同污染因子场景下表现得忽好忽坏，而今天要介绍的FlexUOD框架，正是为解决这一痛点而来。

论文信息 题目：FlexUOD: The Answer to Real-world Unsupervised Image Outlier Detection FlexUOD：解决现实世界中无监督图像异常检测的方法 作者：Zhonghang Liu、Kun Zhou、Changshuo Wang、Wen-Yan Lin、Jiangbo Lu 为何现有方法总是"水土不服"？

现实世界中的数据集往往复杂多变，异常样本的比例（污染因子γ）可能从1%到50%不等。当γ较低时（大部分是正常样本），基于正常样本流形学习的方法效果显著；可当γ较高时（异常样本占比大），这些方法就会"集体失灵"，因为学习到的正常模式已经被大量异常样本带偏。

不同污染因子下方法性能差异

上图清晰展示了现有方法的局限性：没有一种方法能在所有污染因子场景下保持稳定性能。这就像用同一把钥匙去开不同的锁，显然难以奏效。

FlexUOD框架：见招拆招的智慧

FlexUOD的核心思想非常直观：针对不同污染因子，采用不同的检测策略。就像医生会根据病人的症状调整治疗方案，这个框架能自动感知数据中的异常比例，灵活切换最优检测模式。

总体架构：三部分协同工作
FlexUOD框架总体结构

整个框架由三个关键组件构成：

1. 低污染因子检测器（f_low） ：擅长处理异常样本少的场景

2. 高污染因子检测器（f_high） ：专门应对异常样本多的情况

3. 污染因子估计器 ：判断当前场景属于哪种类型，选择合适的检测器

当数据中异常样本很少时，正常样本的分布规律相对容易捕捉。研究者发现，在高维空间中，正常样本往往集中在一个超球体表面，这个特性成为检测异常的关键。

高维空间超球体特性示意图

为了更精准地区分正常与异常样本，f_low创新性地结合了两种距离度量：

• 欧氏距离：测量样本到均值的直线距离

• Bray-Curtis距离：一种非对称度量，能有效避免对称分布带来的误判

这种组合既利用了高维空间的几何特性，又克服了传统对称度量的局限性，让少量异常样本无所遁形。

高污染因子场景的对策：f_high

当异常样本占比很高时，直接学习正常模式变得困难。这时f_high反其道而行之，先利用f_low找出潜在的异常样本，再基于这些异常样本的分布规律进行检测。

高污染因子检测逻辑

这种方法借鉴了"壳理论"（Shell theory），通过对异常样本进行归一化处理，增强了特征表示的判别能力。就像在人群中先找出明显的陌生人，再根据这些陌生人的特征去识别隐藏的同伴，大大提高了检测效率。

智能切换的核心：污染因子估计

FlexUOD最巧妙的设计，是通过比较f_low和f_high的检测结果来估计污染因子。研究者发现，两种检测器的排序一致性（用斯皮尔曼等级相关系数衡量）与污染因子呈近似线性关系。

排序一致性与污染因子关系

当污染因子低时，两种方法的一致性低；当污染因子高时，一致性高。基于这个特性，框架能自动判断：

• 一致性<0.1：用f_low

• 一致性>0.3：用f_high

• 中间值：融合两种方法的结果

在多个基准数据集上的实验证明，FlexUOD不仅性能优异，而且稳定性极强。

跨数据集的优异表现

在经典数据集如CIFAR-10、CIFAR-100上，FlexUOD相比现有方法分别提升了6%和3%的AUC分数。即使是在低分辨率、类别复杂的数据集上，也保持着领先优势。

主要数据集实验结果 实际应用场景的验证

在工业缺陷检测（MVTec-AD）、医学影像分析等实际场景中，FlexUOD同样表现出色。例如在"皮革"类别上达到了1.0的完美AUC分数，在"瓷砖"、"木材"等类别上也超过0.99。

工业缺陷检测结果 与现有方法的对比

更令人惊喜的是，FlexUOD可以作为"增强插件"，显著提升现有方法的稳定性。下图显示，将FlexUOD与OCSVM、LVAD等方法结合后，这些方法在不同污染因子下的性能波动明显减小。

与现有方法结合效果 为什么FlexUOD如此高效？

1. 
   

   无需训练 ：不需要额外的标注数据，直接对输入特征进行处理

2. 轻量级架构 ：计算成本低，适合实际部署

3. 即插即用 ：可以与现有大多数UOD方法结合，提升其性能

4. 广泛适用 ：不仅限于图像数据，在表格数据等领域也表现优异

FlexUOD的出现为解决现实世界中的异常检测问题提供了新思路。无论是工业生产线的缺陷检测、医学影像中的病灶识别，还是海量数据的数据清理，这个框架都能发挥重要作用。

异常检测定性结果示例

上图展示了FlexUOD在飞机图像数据清理中的效果，能够有效识别出包含乘客、驾驶舱等"分布内异常"的样本，这对于构建高质量数据集具有重要意义。

总结

FlexUOD通过创新性地引入污染因子估计视角，打破了"一种方法适用于所有场景"的传统范式。它像一位经验丰富的决策者，能根据实际情况灵活选择最优策略，在各种复杂场景下都保持稳定高效的表现。