EVENT DOSSIER
针对工业异常检测中需同时处理结构异常与逻辑异常的需求，研究人员提出一种无需训练即可融合异构异常线索的校准融合检测方法。该方法利用正常图像的统计信息对齐不同来源的异常特征，在统一框架内直接融合互补的冻结特征，无需额外训练或部件级监督。实验表明，该方法在 MVTec-LOCO 数据集上对逻辑异常和结构异常的图像级 AUROC 分别达到 95.9% 和 89.0%，平均值为 92.5%，优于现有所有无训练检测器，且性能与需网络训练或部件标注的方法相当。此外，其结构异常变体在 MVTec-AD 数据集上达到 99.1% 的图像级 AUROC，与 PatchCore 持平，证明该校准机制具有通用性，可推广至逻辑异常检测之外。
工业异常检测需同时处理结构异常与逻辑异常，现有方法通常侧重单一类型。本研究提出一种无需训练即可融合异构异常线索的校准机制，将计数能力引入训练-free 异常检测框架，实现两者统一处理。该方法在 MVTec-LOCO 数据集上，逻辑异常图像…
提出一种无需训练即可同时检测结构异常与逻辑异常的校准融合检测方法。该方法利用正常图像的统计信息对齐异构异常线索，在统一框架内直接融合互补的冻结特征，无需额外训练或部件级监督。在 MVTec-LOCO 数据集上，其逻辑异常和结构异常的图像级…
工业异常检测需同时处理结构异常与逻辑异常，现有方法通常侧重单一类型。本研究提出一种无需训练即可融合异构异常线索的校准机制，将计数能力引入训练-free 异常检测框架，实现两者统一处理。该方法在 MVTec-LOCO 数据集上，逻辑异常图像级 AUROC 达 95.9，结构异常为 89.0，平均值为 92.5，优于现有训练-free 检测器；其结构变体在 MVTec-AD 上的表现与 PatchCore 持平（99.1），证明校准机制具有通用性。
提出一种无需训练即可同时检测结构异常与逻辑异常的校准融合检测方法。该方法利用正常图像的统计信息对齐异构异常线索，在统一框架内直接融合互补的冻结特征，无需额外训练或部件级监督。在 MVTec-LOCO 数据集上，其逻辑异常和结构异常的图像级 AUROC 分别达到 89.0 和 95.9，平均值为 92.5，优于现有所有无训练检测器，且性能与需网络训练或部件标注的方法相当。其结构异常变体在 MVTec-AD 上达到 99.1 的图像级 AUROC，与 PatchCore 持平，表明所提校准方法可推广至逻辑异常检测之外。