ICML’25｜刷新无监督异常检测上限！CostFilter-AD：首个即插即用的代价滤波for异常检测范式

作者
↑ 点击蓝字 关注极市平台
编辑丨极市平台

极市导读

 

东北大学、Meta和英国萨里大学联合提出CostFilter-AD，首次引入“匹配代价滤波”范式用于无监督异常检测，通过构建匹配代价体并滤波优化，显著提升检测精度与边界清晰度，且作为通用插件适配主流检测框架，为工业质检等场景带来更智能可靠的解决方案。>>加入极市CV技术交流群，走在计算机视觉的最前沿

ICML 2025 · 多类UAD · 匹配代价体 · Plug-in插件 · 工业视觉 · 通用轻量

本文第一作者为东北大学博士生张哲，导师为中国工程院院士柴天佑教授。该工作由东北大学、Meta 和英国萨里大学合作完成，通讯作者为吴高昌副教授（东北大学）与朱霞天副教授（萨里大学）。

论文标题：CostFilter-AD: Enhancing Anomaly Detection through Matching Cost Filtering

GitHub地址：https://github.com/ZHE-SAPI/CostFilter-AD

Slide：https://github.com/ZHE-SAPI/CostFilter-AD/blob/main/Materials/CostFilter-AD_slide_ICML2025.pdf

ICML 主页：https://icml.cc/virtual/2025/poster/46359

一、Lay Summary

你是否想过，工厂是如何在很多种不同产品中，精准识别出浅浅的划痕、缺失的元件，甚至是几乎察觉不到的微小缺陷？这远比“图像识别”要复杂。当前许多 AI 系统依赖于将待测图像与正常样本进行匹配来判断异常，但这一过程极易受到噪声干扰，尤其在处理模糊、低对比或结构细微的缺陷时，常常出现误报与漏检。

在 ICML 2025 接收论文中，来自东北大学、Meta 和英国萨里大学的研究者联合提出 CostFilter-AD，首次将“匹配代价体滤波”系统性引入无监督异常检测（UAD）。与其说关注“学得更好”，CostFilter-AD 更关注“比得更准”。它构建一个异常代价体来全局表征图像与正常模板之间的匹配成本，并通过滤波机制清除噪声、增强边界，使得微小异常也难以遁形。

更重要的是，CostFilter-AD 无需真实缺陷样本参与训练，仅依赖正常样本就能精准检测各类未知异常，具备强泛化能力与部署适应性。作为一个通用插件式模块，它能无缝集成到现有检测方法中，有效提升检测精度与边界清晰度，为工业质检带来更智能、更可靠的解决方案。

二、任务背景与挑战

在工业质检、安防监控、医疗影像等场景中，无监督异常检测（Unsupervised Anomaly Detection, UAD）日益成为核心技术之一。由于现实世界中异常样本稀少、类型多样、标注昂贵，UAD 凭借“仅用正常样本训练”的能力，在工业界获得了广泛关注。

但一个悄然被忽视的难题也在同步放大：当前最先进的检测模型，无论是基于图像重建的 Diffusion/UNet/ViT，还是基于特征对比的 DINO/ViT，在生成异常图（anomaly map）时几乎都隐含了一个过程：匹配（matching）。而这个看似“简单”的操作，常常掩盖了检测失败的根源。匹配过程中的噪声，可能是真正导致误检与漏检的幕后黑手。

图 1. 多类别无监督异常检测（UAD）结果对比。

我们展示了图像级与像素级 logits 的可视化结果及其核密度估计曲线（Parzen，1962）。其中，基线方法的结果以黄色标示，我们的方法以绿色标示。相比之下，我们的模型在检测异常时噪声更少，且在正常与异常 logits 之间提供了更清晰的区分，表现更加优越。

三、我们的方法突破口在哪里？

动机分析：不是模型不够强，而是“匹配得不够准”。

目前主流 UAD 方法大致分为两类：

  1. 重建式方法：将输入图像还原成“正常版本”，异常区域将表现为高残差；
  2. 嵌入式方法：将输入图像投影到特征空间，与正常样本进行相似性匹配。

两类方法虽然形式不同，但在最后生成 anomaly heat map时，本质都要完成一种“输入 vs 正常样本”的匹配。

问题在于：现实中的匹配从不完美。

  1. 重建式方法中，Diffusion 等模型可能会错误保留异常结构（e.g. short cut issue），形成“伪正常”图像；
  2. 嵌入式方法中，基于预训练特征（如ViT、DINO）提取的嵌入往往存在尺度、视角、纹理的偏差，使得相似性计算被高维噪声干扰。

然而，这些 “匹配噪声” 长期被忽视，异常检测系统只能被动接受“残差”或“相似性”分数，而非从源头优化其可靠性。

四、CostFilter-AD：首提“匹配代价体滤波”范式

为解决这一核心难题，我们提出一种全新视角：

异常检测 = 匹配代价体构建 + 滤波优化 + anomaly map生成，具体步骤为：

  1. 构建完整的匹配代价体（Cost Volume），显式表征“输入图 vs 正常样本”之间的多维匹配关系；

  2. 引入一个基于双流注意力（Dual Stream Attention）的3D U-Net网络，对代价体进行细粒度滤波；

  3. 输出结构清晰的 anomaly heat map，作为最终异常检测分割图。

图 2. CostFilter-AD 方法概览。

我们将无监督异常检测（UAD）重新表述为一个“匹配代价滤波”过程。(i) 首先，利用预训练编码器从输入图像和模板图像中提取特征，模板可以是重建得到的正常图像，或随机选择的正常样本；(ii) 接着，基于全局相似性计算构建异常代价体（anomaly cost volume）；(iii) 然后，设计一个代价体滤波网络，结合从输入特征和初始异常图中提取的注意力查询信息，对代价体进行细化，生成最终检测结果；(iv) 最后，引入类别感知适配器，以应对类别不平衡问题，并提升模型对多类异常的同时检测能力。

方法亮点：

  1. 机制创新：首次引入“匹配代价体 + 滤波”到UAD领域；

  2. 即插即用：不需改动原模型架构，适配所有主流检测器；

  3. 性能显著提升：Image-AUROC & Pixel-AUROC等七种异常检测指标全面增长；

  4. 泛化增强：处理模糊边界、小尺寸异常亦很有效。

五、方法细节拆解：不是再造大模型，而是细化匹配过程

CostFilter-AD包括以下三个关键阶段：

1.构建匹配代价体（Matching Cost Volume）

我们不再仅仅计算一对图像之间的单一匹配值，而是：

(a) 对输入图像与多个正常模板图像进行全局像素级匹配；

(b)在每个特征层上计算余弦相似度，得到三维代价体（空间维度 × 匹配维度 × 通道）；

(c)转换为 anomaly cost（1 − similarity），形成全局异常热图。

与常见的最近邻匹配KNN不同，CostFilter-AD 捕获了多模板、多尺度、多位置之间的结构性匹配模式。

2.匹配代价体滤波（Cost Volume Filtering）

匹配代价体矩阵虽然得到，但其中依然混有大量“误判”：正常边缘误认为异常（或相反）、异常细节被模糊覆盖等。为此我们引入一个具备Dual-Stream Attention机制的3D U-Net网络，对代价体进行去噪与增强：

(a) 通道引导（MG）：使用初始 anomaly 热图引导模型关注更可能为异常的通道区域；

(b) 空间引导（SG）：使用输入图特征作为空间注意力，引导模型保留边界结构；

(c) 残差引导机制（RCSA）：融合上述注意力流，逐层优化代价体表示。

经过滤波后，输出 anomaly map 的分布更集中、边界更清晰。

3.类别自适应损失与泛化机制

为适配多类工业检测任务，我们设计了Class-Aware Adapter：

(a)利用 soft logit 调整 focal loss 的聚焦因子，自适应平衡易错类别；

(b)优化结构损失（SSIM + soft IoU），增强检测的结构一致性。

这让 CostFilter-AD 在单模型处理多类 anomaly时保持高效与准确。

六、实验验证：四大数据集、五个最新baseline、七种异常检测指标全面刷新

CostFilter-AD 被集成至五大主流 UAD 框架中：

  • GLAD（Reconstruction-based Diffusion, ECCV’24）；
  • HVQ-Trans（Reconstruction-based Transformer, NeurIPS’23）；
  • AnomalDino（Embedding-based Dinov2, WACV’25）；
  • UniAD（Embedding-based Transformer, NeurIPS’22）；
  • Dinomaly（Reconstruction-based Transformer, CVPR’25）.

我们在 MVTec-AD、VisA、MPDD、BTAD 四个工业数据集上进行像素级和图像级别异常检测。

(a) 定量结果：

更多测试指标请参考论文附录。

(b)可视化结果：边界更清晰，baseline漏检区域被成功检测；

图 3. 多类别异常定位的定性对比。

我们将本文方法与 GLAD（G）、HVQ-Trans（H）和 AnomalDF（A）在 MVTec-AD（上三行）和 VisA（下三行）数据集上的结果进行对比。通过集成至现有方法中，我们的方法能够有效缓解匹配噪声问题（例如：PCB2 中的漏检、Pill 中的误检，以及 Carpet 中的模糊边界），显著提升异常检测性能。

(c) 内存&推理：平均仅提升显存和延时较小，有助于实际可部署

七、即插即用，轻量部署，工业友好

CostFilter-AD 是一款即插即用（plug-and-play）的异常检测增强模块：

(a)支持多种输入模板：重建图、特征模板、混合中间表示；

(b)兼容主流模型：ViT-B/8、EfficientNet-B4、DINO、Diffusion 全部适配；

(c)部署无压力：可部署于工业边缘设备、服务器或API服务端。

八、方法总结：从匹配修正出发，重塑异常检测核心范式

CostFilter-AD 的核心理念在于重塑 anomaly map/score 的生成方式：

异常检测的难点，不仅在于是否能还原/嵌入得好，更在于是否“比”得准确。

通过构建代价体并对其进行滤波优化，我们重新定义了异常分数的构成逻辑：不是谁更像，而是“匹配结果如何更可信”。

这一思路不仅适用于图像异常检测，或许还可迁移至：

(a) 时序异常检测（e.g. 预测轨迹 vs 实际轨迹的匹配代价）；

(b)视觉异常追踪（匹配掩码 vs 模板结构）；

(c) RL状态匹配估计（当前状态 vs 高奖励状态的策略匹配）等场景。

欢迎关注团队主页、代码仓库，或联系作者学术交流！



（文：极市干货）

发表评论