近日，软件学院2023级硕士研究生魏顺题为“UniNet: A Contrastive Learning-guided Unified Framework with Feature Selection for Anomaly Detection”的研究论文被计算机视觉领域的顶级会议CVPR（IEEE Conference on Computer Vision and Pattern Recognition）录用。该研究首次提出了一种通用的统一异常检测框架（UniNet），并展示了其卓越的泛化能力，有效解决了现有方法在跨领域应用中的瓶颈问题。CVPR作为中国计算机学会CCF A类会议，与ICCV和ECCV并称为计算机视觉领域的三大顶会，涵盖了图像处理、深度学习、目标检测、异常检测、三维视觉等多个重要领域。
异常检测是计算机视觉中的一个关键任务，旨在识别样本中的异常模式。然而，目前绝大多数的异常检测方法都针对特定领域（如工业场景）开发，缺乏跨领域应用的能力，导致在医学图像、视频监控等其他领域中的性能较差。这一问题的根源在于不同领域间特征存在内在差异。
为了解决这一问题，本研究提出了基于对比学习和特征选择的统一异常检测框架UniNet（如图1所示）。该框架通过引入域相关特征选择方法，指导模型学习重要的域相关先验知识，并利于基于对比学习的损失函数来构建区分边界，有效地区分正常特征和异常特征。图1展示了UniNet的核心流程。
考虑到不同领域特征的差异可能限制异常检测的性能，UniNet采用了一种域相关的特征选择方法：首先，通过具备先验知识的教师模型生成特征，并据此生成局部权重，以决定选择多少域相关的重要信息。接着，为了增强感知能力，引入全局权重进行权重交互。最后，学生模型依据交互后的权重选择特征信息，并通过余弦距离最小化其输出与教师模型输出之间的差异。
与现有方法仅适用于无监督设置且在有监督设置中效果不佳的情况不同，UniNet改进了传统的对比学习方法：通过师生模型的输入生成相似矩阵，并利用相似对比损失最大化正常样本间的相似性。最后，借助边界损失确保正常特征的相似度高于给定阈值，同时减少异常样本的相似性（在有监督设置下），以增强分类效果。UniNet不仅适用于无监督设置，还能够有效应对有监督设置，展现了其强大的自适应能力。相关代码可在GitHub上获取（https://github.com/pangdaTangtt/UniNet）。
为了验证UniNet的有效性，本研究在11个不同的数据集上进行了大规模的实验，并将其与各数据集上最先进的（SOTA）方法进行了比较。实验结果表明，UniNet在所有数据集上的性能均超过了现有的SOTA方法，并在部分数据集上显著优于基准方法（见图2和图3），充分展示了其强大的泛化能力和高效的检测性能。此外，消融实验进一步验证了该方法的可行性，实验结果显示，在多个指标上，UniNet的性能得到了显著提升（见图4）。
该论文以南京信息工程大学为第一单位，软件学院硕士研究生魏顺为第一作者，指导老师江结林副教授为通讯作者。该研究得到国家自然科学基金等项目支持。
论文信息：
Shun Wei, Jielin Jiang*, Xiaolong Xu. UniNet: A Contrastive Learning-guided Unified Framework with Feature Selection for Anomaly Detection. In Proceedings of the IEEE/CVF conference on Computer Vision and Pattern Recognition (CVPR), 2025.
图1 UniNet的总框架
图2. 三个工业异常检测数据集上与SOTA方法的比较结果
图3. 医学和视频异常检测数据集上与SOTA方法的比较结果
图4. 消融实验
