论文
CMDS-AD：用于少样本异常检测的跨模态双流解耦
CMDS-AD: Cross-Modal Dual-Stream Decoupling for Few-Shot Anomaly Detection
摘要
由于训练数据有限，少样本异常检测仍然具有挑战性。多模态异常检测 (MAD) 提供了一种可行的解决方案，利用 3D 几何线索来丰富 2D RGB 表示并弥补这种稀缺性。然而，现有的 MAD 方法应用空间均匀特征处理，将稳定的宏观结构与高频局部缺陷信号混为一谈，加剧了跨模态错位并增加了误报率。为了克服这个问题，我们提出了 CMDS-AD，一种跨模式双流异常检测框架。 LoRA 引导的扩散模型生成不同的 RGB 样本，以缓解极端的数据稀缺问题。对于 3D 法线增强，我们采用预先训练的扩散模型作为法线估计器。至关重要的是，该估计器本质上充当非线性低通滤波器，直接从 RGB 输入中提取低频法线表示。这建立了纯低频信息的辅助估计流，锚定稳健的结构模板并协助包含耦合高频和低频分量的未压缩真实流，以精确隔离微观缺陷。坐标感知分层特征映射器自适应地对齐跨模态语义，而乘法评分机制则过滤特定于模态的噪声。在极端的 1-shot 设置下，CMDS-AD 在 MVTec 3D-AD 上实现了 5.7% (I-AUROC) 和 2.0% (AUPRO) 的绝对性能提升，同时在 EyeCandies 上实现了 7.7% 和 5.6% 的改进，建立了新的最先进水平。代码可在 https://github.com/Junhaocai27/CMDS-AD 获取