CVPR2026 异常检测论文解读论文笔记少样本学习布局/合成对齐/RLHF 推理 RAG

🔍 异常检测¶

📷 CVPR2026 · 7 篇论文解读

📌 同领域跨会议浏览： 🔬 ICLR2026 (10)

🔥 高频主题： 异常检测 ×7

Anomaly-Related Residual Fields for Cross-domain Anomaly Detection: 针对扩散模型残差里"噪声大、单看幅值无法区分异常"的难题，本文提出残差演化场（REF）：从扩散反向过程的残差时空轨迹中分离出"持续不被吸收的非平稳异常信号"，再用跨域场对齐（CFA）把有标签源域学到的检测器迁移到无标签目标域，在 9 个跨域迁移任务上平均 AUROC 95.22%，比最强基线高 13 个百分点。
Defect Cue-Preserved Structural Feature Refinement for Few-Shot Anomaly Detection: 本文指出少样本异常检测（FSAD）的核心难点在于细微缺陷线索在深层特征提取流水线里被逐层"稀释"掉，提出 DCP-SFR：先用可学习提示词把早期弱信号"放大"成高对比异常线索图，再用这张图引导重建式定位，最后做结构感知的边界精修，在 MVTec AD / VisA 上拿到图像级 97.3%、像素级 98.2% 的 AUROC。
Dual-Prototype-Guided Multi-task Learning for Unsupervised Anomaly Detection and Classification: PG-SFD 把"无监督异常检测（像素级定位）+ 弱监督异常分类（区域级分类）"建模成一个双原型协同优化问题，用正常原型与类别原型显式解耦正常/异常语义、用差分门控把正常先验注入分类分支、用几何正则缓解多任务梯度冲突，在 MVTec-AD 上拿到 I-AUROC 99.4% 且同时支持细粒度缺陷分类。
Hunting Normality from Query Sample via Residual Learning for Generalist Anomaly Detection: 针对通用异常检测（GAD）中「直接建模残差分布」会因残差与实例特征不一致而误判的问题，本文不再直接对残差分类，而是把残差当成向导：用可学习代理从残差里抽取模式（RFL），再借这些残差代理从支持集聚合查询相关的「正常性代理」（NLS），最后用正常性代理去查询特征里搜寻正常区域（HNQ）来定位异常，在工业→工业、工业→医学的跨域基准上取得有竞争力的少样本性能。
LayoutAD: Exploring Semantic-Geometric Misalignment Reasoning for Scene Layout Anomaly Detection: LayoutAD 提出"场景布局异常检测"这一新任务，用无监督方式给图像里每个物体打出对象级异常分——它把场景拆成语义图与几何图，通过跨图注意力推理两者之间的"错配"，从而发现诸如"五条腿的狗""停在湖面上的车"这类像素级检测器看不见的布局级幻觉。
Multi-Prototype Compactness and Boundary-Aware Synthesis for Unsupervised Anomaly Detection: 针对单原型假设在类内方差大时决策边界过松的问题，本文提出 PGBL 框架：用多原型紧凑约束（MPCC）把正常特征结构化为多个紧凑子簇，再在子簇拓扑边界处合成伪异常（BAAS），最后用判别器（DBR）精修决策面，在 MVTec-AD / VisA / Real-IAD 上的检测与定位均超越此前方法。
RAID: Retrieval-Augmented Anomaly Detection: RAID 把无监督异常检测（UAD）重新解读为检索增强生成（RAG）流程：先用一个三层向量库（类原型→语义原型→实例 token）做由粗到细的检索，再用一个"引导式 MoE 滤波器"对检索得到的匹配代价体去噪，从而抑制匹配噪声、画出边界清晰的异常图，在 MVTec/VisA/MPDD/BTAD 的全样本、少样本、多数据集设定下都拿到 SOTA。