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。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。考虑到不同领域特征差异可能限制异常检测性能，UniNet提出一种域相关特征选择方法：通过教师模型生成权重，而学生模型根据权重来选择重要的域相关信息，并通过余弦距离优化。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改进了传统对比学习：通过相似对比损失最大化正常样本间的相似性，并借助边界损失实现特征分离的效果。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。实验结果表明（选取部分实验结果），UniNet在不同数据集上的性能均超过了现有最先进的方法（见图2）。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3）。
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