🔍 异常检测¶

🎞️ ECCV2026 · 8 篇论文解读

📌 同领域跨会议浏览： 📷 CVPR2026 (7) · 🔬 ICLR2026 (10)

🔥 高频主题： 异常检测 ×5

Pistachio: Towards Synthetic, Balanced, and Long-Form Video Anomaly Benchmarks: Pistachio 用场景约束故事线驱动连续视频生成，构建兼顾异常检测与文本理解的合成基准，暴露复杂正常行为和长时理解的困难，并在 CLIP-TSA 实验中以合成数据结合 10% UCF-Crime 训练数据超过仅用完整 UCF-Crime 训练集的结果。
Anomaly Factory 3D: A Modular Framework for Diverse Pseudo-Anomaly Synthesis in Unsupervised 3D Anomaly Detection: AF3AD 把局部几何形变做成独立的伪异常生成器，通过局部坐标、空间核、方向门控和随机预设扩展训练缺陷类型，配合改进的偏移预测器，在 AnomalyShapeNet 与 Real3D-AD 上分别达到 91.5% 和 85.2% 的物体级 AUROC。
DeltaDeno: Zero-Shot Anomaly Generation via Delta-Denoising Attribution: DeltaDeno 用正常与异常提示驱动两条同步扩散轨迹，将去噪后的潜变量差异累积成缺陷定位图，再用该图约束局部生成，在不微调生成器、不使用真实异常样本的条件下，将 MVTec AD 下游图像级 AUROC 从 AnomalyAny 的 77.6 提升至 84.7。
IMMoE: Incomplete Multi-View Anomaly Detection via Mixture of View Experts Fusion: IMMoE 用局部特征丢弃缓解遮挡模式过拟合，再以视图专家融合引导正常特征重建，在产品区域遮挡 50% 的 RIMAD 上取得 84.7 I-AUROC / 33.1 P-AP，但这不是对真实遮挡下隐藏缺陷可恢复性的完整证明。
ArcAD: Anomaly-Rectified Calibration for Cold-Start Supervised Anomaly Detection: ArcAD 不替换重建式工业异常检测器，而是在训练时用均衡的超球面正常原型、受原型约束的伪异常和少量真实缺陷校准潜在空间，使 Dinomaly 在 Real-IAD 多类别冷启动设置下的图像级 AUROC 从 88.8% 提升到 92.5%，推理仍使用原有重建误差。
BAAF: Universal Transformation of One-Class Classifiers for Unsupervised Image Anomaly Detection: BAAF 通过不相交分袋、袋外异常评分和多数投票先清洗训练图像，再训练一个原样的单类检测器，在 MVTec AD 的 10% 训练污染设置下，使八种检测器的平均图像级 AUROC 从 0.762 提升至 0.933，而不增加测试时的模型数量。
A Comprehensive Analysis about Unsupervised Outlier Detection for Images: VUOD 先用细粒度聚类与距离排序一致性筛选可靠正常／异常伪标签，再训练轻量特征映射并接入 OCSVM，使同一无监督图像离群检测框架能覆盖自然、工业和医学图像，CIFAR-10 的汇总 AUROC 从 FlexUOD 的 0.942 提升至 0.972。
Beyond Common Sense: Grounding Logical Anomaly Detection in Inspection Criteria: SCAN 将工业逻辑异常检测改为“拿图像逐条核验显式检验规则”，通过 FLAW 数据、结构化监督微调和规则级强化学习，让 8B 模型在 MVTec-LOCO 上的严格评分准确率从 56.73% 提高到 64.58%，但高精度并不意味着已经解决漏检。