ShiftSplit-AD：将域偏移与基础特征视觉异常检测中的缺陷分离

基于冻结基础模型特征的视觉异常检测器通常对从测试补丁到正常特征记忆的距离进行评分。良性的采集变化也会扩大这些距离，从而混淆域变化与缺陷。我们研究了最接近正态 DINOv2 残差的结构化分解是否可以抑制移位引起的证据，同时保留看不见的缺陷。 ShiftSplit-AD 将补丁残差矩阵分解为低秩和行稀疏分量，并通过可选的低秩/稀疏融合对稀疏分量进行评分。这些实验揭示了一个中心权衡，而不是普遍的分离：真正的缺陷可能包含相关的低维结构，因此过滤广泛的残留活动也可能会删除缺陷信息。在 AeBAD-S 上，使用 Bottle 开发后修复的设置，仅稀疏评分将图像 AUROC 从 0.6780 提高到 0.7294，将 AUPRC 从 0.8052 提高到 0.8465。改进的配对 bootstrap 95% 区间分别为 [0.0238, 0.0808] 和 [0.0170, 0.0650]。然而，仅稀疏评分将四个保留的 MVTec 类别的平均清洁 AUROC 从 0.9890 降低到 0.9133，并降低 Bottle 定位。这些发现表明，当域转移强烈污染异常证据时，残差分解可以提供帮助，但保留缺陷结构仍然是限制问题。