神经崩溃引导的无任务持续异常检测

近年来，人们对工业视觉检测的持续异常检测越来越感兴趣。然而，现实世界的制造环境在数据分布方面表现出不可预测的变化，使得依赖于任务的持续学习假设变得不切实际。为了解决这一限制，我们将工业异常检测制定为无任务持续学习问题，并提出 NC-TFAD，这是一种受神经崩溃启发、几何驱动的框架，用于从没有任务边界的非平稳数据流中学习。 NC-TFAD 冻结预训练的主干，并将流特征与单纯形等角紧框架 (ETF) 原型空间对齐，以稳定非平稳流下的表示几何结构。为了在没有真实异常的情况下满足 NC 启发的几何构造，我们在训练期间生成合成异常样本作为辅助锚点。在此几何结构的基础上，我们进一步引入类间和类内正则化以及局灶神经崩溃对比（FNCC）损失，以抑制表示漂移并提高正常异常可分离性。最后，正常补丁原型引导的定位分支根据正常训练样本构建校准的补丁偏差图，并将它们与弱自注意力先验融合，产生没有像素级注释的异常热图。 MVTec AD 和 VisA 上的大量实验表明，在无任务连续学习协议下的图像级检测和像素级定位方面，NC-TFAD 始终优于根据一般视觉改编的代表性无任务连续学习方法以及统一的异常检测基线。这些结果表明，几何驱动建模为现实工业应用中的无任务连续异常检测提供了有效且强大的解决方案。