摘要
无监督异常检测（Unsupervised Anomaly Detection, UAD）受到广泛关注，并推动了诸多实际应用的发展，其典型场景中仅能获取正常样本用于训练，而无法获得任何异常样本或标注信息。在部分UAD应用中，研究目标进一步扩展至在无异常信息的前提下精确定位异常区域。尽管缺乏异常样本及其标注会显著制约UAD的性能，但一种虽不显眼却极为强大的统计建模方法——归一化流（Normalizing Flows），在无监督异常检测与定位任务中展现出显著优势。基于流的概率模型仅在正常数据上进行训练，即可通过为异常样本分配远低于正常样本的似然值，高效地区分出不可预测的异常。然而，不可预测异常在尺寸上的显著变化为基于流的方法实现高精度异常检测与定位带来了新的挑战。为有效建模异常尺寸的多样性，本文提出一种新型多尺度流模型——MSFlow。该框架由一系列非对称并行流构成，并引入一个融合流以实现多尺度特征的交互与整合。针对图像级异常检测与像素级异常定位任务之间的差异，MSFlow分别采用不同的多尺度聚合策略，以提升各任务的适应性与性能。在三个主流异常检测数据集上的实验表明，MSFlow显著优于现有方法。尤其在具有挑战性的MVTec AD基准测试中，MSFlow取得了新的最先进性能：检测任务的AUROC分数达到99.7%，定位任务的AUCROC分数为98.8%，PRO分数高达97.1%。相关可复现代码已公开，详见：https://github.com/cool-xuan/msflow。