🔍 异常检测

🧠 NeurIPS2026 · 6 篇论文解读

📌 同领域跨会议浏览： 🎞️ ECCV2026 (8) · 📷 CVPR2026 (7) · 🔬 ICLR2026 (10)

🔥 高频主题： 异常检测 ×4 · 少样本学习 ×2

Feature-Context Consistency: Unsupervised Adversarial Detection with Drift Stability on Attributed Graphs

本文提出基于门控线性单元上下文通路的受限玻尔兹曼机（CB-RBM），利用属性图中实体特征与邻域聚合上下文的一致性作为双重判别信号，在完全无标签条件下通过闭式自由能降幅（CB得分）实现高精度对抗检测与分布漂移下的判别界稳定性。

Flow Mismatching: Unsupervised Anomaly Detection via Velocity Discrepancies in Flow Matching Models

Flow Mismatching 摆脱了传统重构与特征记忆库范式，将流匹配视为几何动力学，利用仅在正常样本上学得的模型速度与指向测试目标的几何速度之间的局部不一致性检测异常，结合时间步方差加权与多路径最小聚合实现高效、即插即用且具备可调推理计算预算的高精度工业缺陷检测与定位。

GATE-AD: Graph Attention Network Encoding For Few-Shot Industrial Visual Anomaly Detection

GATE-AD 针对工业少样本视觉异常检测中传统方法难以捕捉局部补丁间不规则关联与重构过平滑的痛点，提出一种基于掩码表征对齐图注意力网络（GAT）的特征级重构范式，通过动态邻域各向异性聚合与潜在空间缩放余弦误差（SCE）度量，在 MVTec AD、VisA 和 MPDD 基准上刷新了 1 至 8-shot 的最先进性能并降低了 25% 以上的推理延迟。

Geometry over Density: Few-Shot Cross-Domain OOD Detection

本文提出了 UFCOD 框架，从概率密度估计转向扩散轨迹的信息几何分析，利用固定预训练扩散模型提取反映得分函数幅度与平滑度的二维能量特征，结合设施选址参考集构建与最优传输温度缩放距离评分，仅凭约 100 个 ID 样本即在 12 个跨域基准上取得 93.7% 平均 AUROC。

InCLAD: A Continual Learning Benchmark for Industrial Visual Anomaly Detection

针对工业视觉质检中产线组件持续更替导致模型遗忘历史产品的核心瓶颈，本文提出了首个覆盖 5 大工业数据集、17 种场景序列与多数据集异构流的持续异常检测基准 InCLAD，并为 PatchCore、PaDiM 与 CFA 建立了原生持续自适应评测框架。

M3-AD: Reflection-aware Multi-modal, Multi-category, and Multi-dimensional Benchmark and Framework for Industrial Anomaly Detection

本文提出统一工业异常检测基准与框架 M3-AD，构建涵盖 140 个类别与双推理轨迹的微调集与评测基准，并设计 RA-Monitor 结合暖启动与反思认知强化学习（RCRL），使多模态大模型在初判存疑时自主纠偏，大幅提升零样本缺陷判别与定位精度。