Beyond Common Sense: Grounding Logical Anomaly Detection in Inspection Criteria¶

会议: ECCV 2026
官方论文: 4468
论文: 官方 PDF
代码: https://github.com/tzjtatata/SCAN
领域: 异常检测
关键词: 逻辑异常检测、检验规则、视觉语言模型、规则级奖励、信用分配

一句话总结¶

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。

研究背景与动机¶

工业异常不一定表现为裂纹、污渍或破损：零件都完好，数量、类别或装配关系也可能不符合当前工序要求。普通视觉语言模型能判断“这像不像一件正常产品”，却不知道具体产线的合格标准。例如，封好盖子的瓶子通常没有问题，但如果检验点位于封盖工序之前，出现瓶盖反而是不合格。因此，依靠预训练常识判定异常，本质上把产品的通用外观知识错当成了当前检验任务的规范。

现有工业异常数据又主要突出可见的结构缺陷，难以让模型学会这种随规则变化的合格边界。即使给出规则并训练逐条分析，模型仍可能把“规则要求有一个零件”复述成“我看到了一个零件”，尤其是在较长的检查序列后半段。而仅奖励最终正常／异常标签，也无法区分“找对缺陷”和“误判另一条规则但碰巧给对总标签”：模型可能得到正确答案，却给出错误归因。

本文因此同时补齐训练数据和反馈粒度，而不是只增加视觉模型规模。 FLAW 为图像配上可核查的检验规则及逐条标签，SCAN 再用两阶段后训练学习如何执行这些规则。 核心 idea：让异常判断服从显式制造标准，并把每条规则的正确性反馈只分配给对应推理片段，避免常识代替标准、总标签掩盖错误归因。

方法详解¶

整体框架¶

输入是一张待检图像和若干产品专属检验规则，输出包括逐条视觉证据、满足／违反判断，以及最终异常结论。训练先构造 FLAW，再通过结构化规则检查学习稳定的输出格式，最后用规则级奖励和规则级信用分配优化细粒度判断。这里的“零样本”指测试产品类别在任务训练中未见，不是整个模型从未训练，也不是推理时不提供规则。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["FLAW 规则数据"] --> B["结构化规则检查"]
    B --> C["规则级奖励"]
    C --> D["规则级信用分配"]
    D --> E["训练后的 SCAN"]
    E --> F["推理：图像与规则<br/>逐条判断及异常结论"]

图中的奖励和信用分配属于训练过程；部署时不需要规则真值，也不需要裁判模型为每张待检图像评分。部署仍必须获得外部检验标准，SCAN 并不负责从没有规范的图像中猜出产线要求。

关键设计¶

1. FLAW 规则数据：先知道图中有什么，才能明确什么规则被违反

合成分支用分割掩码提取产品实例，再把它们组合到不同背景上，因此掌握每个物体的类别、数量、外观和边界框位置。基于这些完整元数据，Qwen3-VL-32B 生成数量约束、类别核验、异物检查和结构一致性等规则；其中部分规则刻意与已知事实矛盾，其余规则保持一致。关键不是把所有图像都做成“看起来坏了”的样子，而是让图像事实和指定规则之间存在可确定的满足／违反关系。随后以图像加标注生成逐条思维链，再用 Qwen3-30B-A3B 对照真值核验，丢弃判断不一致的样本。合成来源包括 MANTA 和 RealIAD，并保留结构异常产品，所以数据也覆盖有形损伤，而非只做计数题。

剪贴合成很难制造属性变化或真实的部件关系，因此收集分支从 ShareGPT4V、ALLaVA 和 Denseworld-1m 中检索具有详细描述的图像。筛选重点是描述是否包含属性、部件关系或结构异常，再据此生成规则、二值标签和逐条解释。原文报告约从 100K 张候选图像中得到 10K 个训练样本；这个数字仅对应收集分支，不能当作整个 FLAW 的规模。此外，数据还包括 InstructIAD 和 MVTec-AD 三个类别的真实异常子集，由人工编写领域规则并生成经过核验的解释。这三类来源共同提供“图像—规则—逐条标签—解释”训练材料，但自动描述与模型核验仍可能带来标注噪声。

2. 结构化规则检查：让每一步都回到图像，而不是沿着文字惯性确认

监督微调要求模型按顺序检查每条规则，引用视觉证据并明确给出满足或违反的结论。这种输出既便于检验，也为后续正则表达式提取规则判断及文本片段边界提供基础。然而，作者观察到“前缀干扰”：前面已经生成的文字越长，模型越容易依赖规则描述，而非重新检查图像。它会把规范中的期望状态当成眼前事实，逐条默认通过，造成后部规则漏检。

应对方式是在训练样本中保持异常规则的位置不变，只打乱它之前正常规则的顺序。同一异常判断因此会遇到不同前缀，模型不能仅凭固定的前文模式决定当前规则是否成立。这不是把所有规则任意洗牌，也不改变异常标签；增强目标是减轻对特定前缀的依赖。完成这一阶段后，模型学会稳定地“逐条检查”，但不保证每条判断都正确，因此还需要更细的强化学习反馈。

3. 规则级奖励：正确的总标签不能替错误的缺陷归因领功

假设一张图确实异常，模型却把正常的规则判为违反，仍可能得到正确的图像级异常标签。仅使用最终答案奖励，会把这一错误解释也当作成功；反过来，一个局部误判也可能使大量正确规则分析一起受罚。 SCAN 利用结构化输出，为每次采样中的每条规则独立提取二值判断，并与该规则真值比较。原文式（1）的奖励可写为：

\[ r_i^k=\mathbf{1}[\hat y_i^k=y^k]. \]

其中 \(i\) 是同一输入的第几条采样回答，\(k\) 是规则编号，判断正确得 1，否则得 0。奖励检查的是每条规则的结论是否正确，而不是用模型裁判直接验证解释中的每一个事实。这一区别很重要：规则级监督比总标签更精细，但仍不等于为整段自然语言提供完全可靠的过程标签。仅把这些奖励最后汇总成整条回答的一个优势值，也会重新丢失细粒度信息，下一项设计负责保留它。

4. 规则级信用分配：按同一规则比较回答，再把反馈送回对应 token

对同一输入采样多条回答后，SCAN 不在“整段回答得分”之间做一次统一归一化，而是针对每条规则，收集该规则在不同回答中的奖励。按这一组奖励的均值和标准差计算规则级优势，再把该优势赋给当前回答中属于这条规则的所有 token。随后仍采用 GRPO 更新，只把原先整段统一的优势替换为随规则片段变化的优势。这样，一条回答可以在规则甲的片段得到正向更新，在规则乙的片段得到负向更新，而不互相抵消归因。

这一机制的前提是规则片段能够可靠解析，且同一规则在采样组内存在可用于比较的差异。它不是为每个 token 单独判断真假，而是把一个规则结论的反馈广播到该规则片段内部。本地文本中的式（2）和算法排版存在符号损坏，因此这里依据 §3.3 的完整文字说明解释计算过程，不补写未经核实的完整优化公式。正文未交代标准差为零、格式解析失败或规则片段之外 token 的全部处理细节，不能把常见 GRPO 实现惯例当成本文已给出的设计。

一个完整示例¶

原文图 2 的检验条件要求只有一根蓝色线缆，但图中实际有两根。提供规则时，SCAN 先检查连接器等对象，再在数量规则下指出“两根与要求一根不符”，并在禁止额外部件的规则下进一步归因，最终判为不合格。不提供规则时，同一个 SCAN 虽然仍能看见两根线缆，却可能认为它们连接正常而给出合格判断。这个例子说明，正确感知数量与知道该数量是否允许是两件事；规则不是可有可无的背景提示。若训练中模型只因“连接器破损”而判异常，即使总标签碰巧正确，对应规则也应拿不到正确奖励。最后一句是对奖励机制的说明，不是论文额外报告的一次实验。

损失函数 / 训练策略¶

监督微调冻结视觉编码器、更新其余参数，最大图像分辨率为 \(1024\times1024\)。 §4.1 使用 AdamW，学习率 \(10^{-5}\)，预热比例 0.03，批大小 32；3B 模型用 2 张 A100，7B 和 8B 用 4 张，SFT 约 6 小时。强化学习基于 VeRL，批大小 16，每个输入采样 8 条回答，学习率 \(10^{-6}\)，KL 惩罚系数 \(10^{-2}\)。 RL 使用 6,400 个样本训练 1 个 epoch，温度和 top-p 均为 1.0，约需 8 小时，硬件配置与对应 SFT 相同。推理温度改为 0.01、top-k 为 1，以得到近似确定性的输出；这里没有在测试时继续强化学习。

实验关键数据¶

主实验¶

以下选自原文表 1，均为 MVTec-LOCO 的未见产品类别零样本测试结果，单位为 %，指标越高越好。 Binary Acc. 只要求最终标签正确；Scoring Acc./F1/Recall 还要求异常原因解释有效，由获得真值标注的 Qwen3-30B-A3B 裁判评估。因此严格评分不是普通分类准确率，也不是逐规则准确率；二者不可混称。

模型	Binary Acc. ↑	Scoring Acc. ↑	Scoring F1 ↑	Scoring Recall ↑
Qwen3-VL-8B 基座	62.98	56.73	35.55	24.57
GPT-5.2-chat	74.67	59.73	49.71	37.34
Gemini-3.1-Pro	74.98	63.64	53.78	71.15
SCAN-8B	75.16	64.58	53.50	39.83

SCAN 相比同规模基座的严格评分准确率提高 7.85 个百分点；比 GPT-5.2-chat 和 Gemini 分别高 4.85、0.94 个百分点。但 SCAN 的严格评分 F1 为 53.50，低于 Gemini 的 53.78，召回率也明显更低，不能写成全面领先。原文结论声称同时超过 Gemini 的准确率和 F1，与表 1 不一致；此处以表中数值为准。表 2 表明相关主实验基座及 GPT 比较采用显式规则；基线按各自推荐超参数评测，闭源模型和任务专门后训练模型并非等训练预算对照。

消融实验¶

以下选自表 5，全部使用 Qwen3-VL-8B，在同一 MVTec-LOCO 测试设置下比较训练方案，单位为 %，均越高越好。 SR 为序列级奖励，RR 为规则级奖励，RCA 为规则级信用分配；三种 RL 行都是在 SFT 基础上的不同配置，不是连续串行执行三轮 RL。

配置	Scoring Acc. ↑	Scoring Precision ↑	Scoring Recall ↑	Scoring F1 ↑
基座	56.73	74.10	24.57	35.55
SFT	59.54	80.14	34.09	46.68
SFT + SR	60.78	76.73	40.10	51.92
SFT + RR	62.68	86.91	39.14	52.20
SFT + RR + RCA	64.58	90.05	39.83	53.50

关键发现¶

SFT 首先提高异常敏感度；但只用 SR 会让严格评分精度从 80.14 降至 76.73，说明追求最终标签可能牺牲归因可靠性。
RR 相比 SR 把精度提高到 86.91，RCA 再提高到 90.05；RCA 相比 RR 的准确率增益为 1.90 个百分点，F1 增益为 1.30 个百分点。
显式规则本身有独立价值：表 2 中 SCAN 的严格评分准确率在无规则时为 51.48，有规则时为 64.58，差 13.10 个百分点；不能把全部收益都归因于后训练。
表 3 的数据分支消融只针对 7B 模型的 SFT：完整 FLAW 的严格评分 F1 为 33.98，高于合成分支 32.60 和收集分支 31.83，但精度仍低于基座，数据增加并非所有指标同步变好。

亮点与洞察¶

异常是“图像相对于标准”的关系。 同一图像可以在不同工序规则下改变标签，数据构造因此不必只依赖制造肉眼可见的损伤。
输出结构服务于训练归因。 逐条检查不仅让人容易阅读，还让奖励解析、片段定位和梯度分配有共同的边界。
奖励定义和奖励落点需要一起设计。 知道哪条规则错了还不够，如果梯度仍平均作用于整段回答，就无法保留这条信息。

局限与展望¶

作者明确承认的限制： 相比 Gemini，模型规模与数据规模限制了原始视觉感知能力，严格评分召回率仍有较大差距；规则约束不能替代看清图像。
读者判断： 对完整、正确检验规则和稳定输出解析的依赖，是实际部署前必须验证的条件。论文没有充分评估规则相互冲突、规则遗漏或解析失败时的行为。
证据范围： 主验证集中在 MVTec-LOCO；没有据此证明其他工厂、连续视频或医学异常任务上的同等效果，也没有报告覆盖这些场景的部署时延。
评估局限： 严格评分依赖模型裁判。作者用 10 位标注者验证一致性，报告人机 Cohen's kappa 为 0.841、人工之间为 0.877，但这并不消除所有评分偏差。
材料边界： 本地缓存含完整主文方法与实验，但没有正文引用的附录 A，不能核验 FLAW 总量、各子集详细分布和全部复现参数；代码链接为论文声明将公开的地址，未联网确认可用性。

评分¶

新颖性: 4/5 — 显式检验规则、数据构造与信用分配形成了针对逻辑异常的完整方案，但主要建立在已有后训练方法上。
实验充分度: 3/5 — 有多规模模型、规则和训练消融以及裁判可靠性检查，但主基准集中且附录未能核验。
写作质量: 3/5 — 机制叙述清楚，结论中的 Gemini F1 优势却与主表冲突，需谨慎阅读。
价值: 4/5 — 对需要明确不合格原因的工业检查有参考价值，尚不能据高精度推断已满足产线漏检要求。