AnomalyDINO：通过DINOv2提升基于图像块的少样本异常检测

近年来，多模态基础模型的进展为少样本异常检测设定了新的标准。本文探讨了一个关键问题：仅依靠高质量的视觉特征是否足以媲美现有的最先进视觉-语言模型。我们通过将DINOv2模型适配于单样本及少样本异常检测任务，特别是在工业应用背景下，给出了肯定的回答。实验表明，该方法不仅能够与现有技术相媲美，甚至在许多场景下实现超越。我们提出的纯视觉方法——AnomalyDINO，遵循已被广泛验证的基于图像块（patch-level）的深度最近邻范式，能够同时实现图像级异常预测与像素级异常分割。该方法在方法论上简洁且无需训练，因此无需任何额外数据进行微调或元学习。尽管结构简单，AnomalyDINO在单样本与少样本异常检测任务中均取得了当前最优性能（例如，将MVTec-AD数据集上的单样本检测AUROC从93.1%提升至96.6%）。其低计算开销与卓越的少样本表现，使AnomalyDINO成为工业场景中快速部署的理想候选方案。