不看异常，怎么学会识别异常？用“异常”指导异常检测！——NAGL方法解析（附代码地址）

在工业质检、医疗诊断等领域，异常检测技术一直面临着巨大挑战。传统的异常检测模型通常只使用正常样本进行训练，但当遇到全新场景时，检测效果往往大打折扣。更重要的是，在实际应用中，我们通常能够获得少量异常样本，如何充分利用这些宝贵信息一直是个难题。

今天我们要介绍一项创新研究——《Normal-Abnormal Guided Generalist Anomaly Detection》，它提出了一种全新的思路：同时使用正常和异常样本作为参考，打造真正实用的通用型异常检测系统。

为什么需要新范式？

现有的通用异常检测方法主要存在两个问题：

• 仅使用正常样本：模型缺乏对异常特征的直接理解，判别能力有限
• 无法充分利用异常样本：现实中获取的少量异常样本（如次品、病变案例）往往被闲置

直接应用基于KNN的方法虽然简单，但容易产生误报，且缺乏数据驱动的自适应能力。

screenshot_2025-10-24_16-05-04.png

NAGL 框架核心思路

NAGL（Normal-Abnormal Generalist Learning）主要由两个模块组成：

Residual Mining（RM）

提取“正常-异常”差异，构建可迁移的异常表征。

模型通过计算残差（Residual）来捕捉异常样本与正常样本之间的偏离模式，这些“差异特征”成为后续检测的关键指导信号。

Anomaly Feature Learning（AFL）

让模型学会在查询图片中定位异常。

通过残差映射，模型能自适应地找到图像中与异常特征相似的区域，实现实例级的异常定位。

简单来说，NAGL先挖掘“异常的规律”，再用它来指导模型在新场景中更精准地找出异常。

screenshot_2025-10-24_16-06-36.png

技术亮点

双参考模式：首次在通用异常检测中同时使用正常和异常样本作为参考

高效设计：

• 参数仅24.4M，比之前最佳方法小5倍
• 训练速度提升69倍
• 推理速度达17.1 FPS，比之前方法快2-14倍

screenshot_2025-10-24_16-13-09.png

实验结果

在MVTecAD、VisA和BraTS等多个基准测试中，该方法全面超越现有技术：

• 在MVTecAD上，仅用1个正常+1个异常样本，图像级AUROC达到95.8%，比使用4个正常样本的最佳基线还高0.6%
• 在医疗数据集BraTS上，平均AUROC达到89.5%，比之前方法提升10.6个百分点
• 随着正常样本数量增加，性能持续提升，展现良好扩展性

screenshot_2025-10-24_16-11-54.png

可视化效果对比

从可视化结果可以看出，我们的方法能够更准确地定位异常区域，减少误报，特别是在复杂背景下仍能保持稳定的检测性能。

screenshot_2025-10-24_16-12-26.png

跨领域潜力与应用

NAGL 不仅在单一领域表现突出，更在跨域检测中展现出强泛化能力——

例如从金属零件检测到脑部影像识别，模型无需重新训练，就能稳定识别异常。

这意味着它非常适合：

• 智能制造：缺陷检测、质量控制
• 医学影像：肿瘤分割、病灶识别
• 交通/安防：异常事件检测

未来研究方向还包括结合自然语言提示（Prompt）或多模态特征，让异常检测具备更丰富的语义理解能力。

结语

NAGL的提出为异常检测开辟了一条全新思路：

不再回避“异常样本太少”的现实，而是学会用有限的异常教模型识别未知的异常。

在智能制造、医学诊断、甚至无人巡检领域，这样的通用检测范式，或将成为AI落地的新关键。

代码及论文地址

论文链接：https://arxiv.org/pdf/2510.00495
代码地址：https://github.com/JasonKyng/NAGL