ReFP-AD：用于基于能量的异常检测的整流流预处理

统一的异常检测需要对高度异构的正常数据进行建模，而无需访问异常样本。虽然像 DINOv2 这样的基础模型提供了丰富的标记表示，但利用这些空间进行显式密度估计仍然具有挑战性。基于能量的模型（EBM）提供了一个原则性的公式，但由于各向异性和强跨维相关性，它们在高维词元空间中的训练不稳定，这降低了有限步马尔可夫链蒙特卡罗（MCMC）采样的性能。我们认为这种不稳定性本质上是几何的，并引入了 ReFP-AD（异常检测的整流流预处理），它学习几何重新参数化，通过最佳传输 (OT) 耦合的整流流将高维嵌入映射到条件良好的潜在空间。这种预处理可以在全维标记空间中通过预处理的随机梯度朗之万动力学 (SGLD) 实现稳定的持续对比散度。然后使用梯度范数从学习到的能量景观中得出异常分数。在 MVTec-AD 和 VisA 数据集上严格的统一协议下，ReFP-AD 在 MVTec-AD 上实现了 98.6%/97.9% 的图像/像素 AUROC，在 VisA 上实现了 97.3%/99.0%，在图像 AUROC 方面比之前统一的 EBM 基线高出 10.8%。消融实验表明，几何重新参数化对于有限步 MCMC 和高维标记空间中的精确异常定位至关重要。代码可在 https://github.com/CLendering/ReFP-AD 获取