摘要
异常检测（Anomaly Detection, AD）在工业质检中至关重要，然而现有方法通常依赖于将测试图像与训练集中正常样本进行“比对”。然而，由于外观和位置上的差异，这些正常参考样本往往难以与测试图像准确对齐，从而限制了检测精度。我们观察到，大多数异常表现为局部变化，这意味着即使在异常图像中，仍保留着有价值的正常信息。我们认为，这些信息具有重要价值，且可能与异常区域具有更强的内在一致性，因为异常与正常信息均源自同一图像。因此，我们提出一种新方法——INP-Former，不再依赖训练集提供的外部正常先验，而是直接从测试图像中提取内在正常原型（Intrinsic Normal Prototypes, INPs）。具体而言，我们设计了INP提取器（INP Extractor），通过线性组合图像中的正常特征令牌（tokens）来构建INPs。为进一步确保INPs能够忠实表征测试图像的正常模式，我们提出INP一致性损失（INP Coherence Loss）。随后，基于这些INPs，我们引入INP引导解码器（INP-Guided Decoder），仅对正常令牌进行重建，而重建误差则作为异常得分。此外，我们还设计了软挖掘损失（Soft Mining Loss），在训练过程中优先优化那些较难处理的样本。INP-Former在MVTec-AD、VisA和Real-IAD等多个数据集上，于单类别、多类别及少样本异常检测任务中均取得了当前最优性能，展现出强大的通用性与适应性，成为异常检测领域的一种通用解决方案。尤为突出的是，INP-Former还展现出一定的零样本异常检测能力。相关代码已开源，地址为：https://github.com/luow23/INP-Former。