聚焦你的分布：用于异常检测与定位的粗粒度到细粒度非对比学习

无监督异常检测的核心思想在于学习正常样本的紧凑分布，并在测试阶段将偏离该分布的样本识别为异常。然而，在现实世界中，尤其是工业应用领域，异常通常表现为高分辨率图像中的细微且细粒度的缺陷。针对这一挑战，本文提出了一种新型的无监督异常检测与定位框架。该方法通过一种自粗到精的对齐机制，从正常图像中学习密集且紧凑的特征分布。在粗粒度对齐阶段，模型在图像与特征层面统一物体的像素级位置；在细粒度对齐阶段，则在批次内所有对应位置之间密集地最大化特征相似性。为仅利用正常样本进行有效学习，我们提出了一种新的预训练任务——非对比学习（non-contrastive learning），用于支持细粒度对齐阶段。该方法能够提取鲁棒且具有判别性的正常图像表征，且无需对异常样本做出任何假设，从而显著提升模型在多种异常场景下的泛化能力。在两个典型的工业数据集MVTec AD和BenTech AD上的大量实验表明，所提框架在检测各类真实世界缺陷方面具有优异性能，并在工业无监督异常检测任务中达到了新的最先进水平。