揭示异常值暴露：从少量、单个乃至零个异常图像中能学到什么

由于难以对所有与正常数据不同的样本进行表征，异常检测（Anomaly Detection, AD）传统上被视为仅利用正常样本的无监督学习问题。然而，近期研究发现，通过使用大量随机图像构成的语料库来表征异常性，可显著提升无监督图像异常检测的性能，这一技术被称为“异常暴露”（Outlier Exposure）。本文表明，实现当前最先进的异常检测性能并不需要专门设计的AD学习方法；更重要的是，仅需少量异常暴露数据即可获得优异性能，这一发现与领域内普遍假设相悖。我们发现，仅使用标准分类器或半监督单类方法，通过训练其区分正常样本与少量随机自然图像，即可在ImageNet上的标准AD基准测试中超越当前最先进水平。进一步实验表明，甚至仅需一个精心选择的异常样本，便能在该基准上实现相当可观的性能（AUC达79.3%）。我们对这一现象进行了深入探究，发现单类方法对训练异常样本的选择具有更强的鲁棒性，表明在某些场景下，单类方法仍优于标准分类器。此外，本文还通过实验明确了本研究结论适用的具体情境。最后，当采用CLIP——一种近期出现的基础模型——所学习的特征表示时，甚至无需任何训练样本，即可在零样本设置下于CIFAR-10和ImageNet上实现当前最先进的异常检测性能。