VID-AD：视觉诱导干扰下的图像级逻辑异常检测数据集

首个专门评估视觉干扰下逻辑异常检测鲁棒性的工业检测数据集

前置知识

逻辑异常

逻辑异常是指违反全局约束规则的异常，如数量不符、类型错误、位置偏差等，与传统的结构缺陷（如划痕、凹陷）不同。这类异常的判别线索往往分散在多个物体或区域之间，需要全局一致性推理，而不仅仅是局部视觉模式的识别。

本文的核心研究对象，理解逻辑异常的特性对于理解本文的挑战和方法创新至关重要。

视觉诱导干扰

视觉诱导干扰指在保持底层逻辑状态不变的情况下，通过背景变化、光照偏移、模糊等因素引入的视觉外观变化。这些干扰会混淆基于视觉特征的检测器，使其产生假阳性或遗漏真实的逻辑异常。

本文数据集的核心设计特点，理解视觉干扰的作用机制有助于理解为何传统视觉方法会失效。

对比学习

对比学习是一种自监督学习方法，通过拉近正样本对（如同一文本的不同dropout版本）的表示距离，推远负样本对（如矛盾改写的文本）的表示距离，学习到具有判别性的特征表示。常用的损失函数是InfoNCE/NT-Xent。

本文方法的核心训练策略，通过对比学习使模型区分逻辑一致的描述和矛盾的描述，从而实现无需真实异常图像的异常检测。

单类学习

单类学习是指仅使用正常样本训练模型，在测试时检测偏离正常分布的异常样本。这在工业场景中尤为重要，因为异常样本通常稀缺或难以收集。每个任务独立训练，互不干扰。

本文的基准协议，VID-AD中的50个任务都采用单类设置，仅使用正常图像训练。

视觉-语言模型

视觉-语言模型（VLM）是能够处理图像和文本输入的多模态模型，如Qwen2-VL、LLaVA等。本文使用冻结的VLM将图像转换为逻辑聚焦的文本描述，提取语义属性而非低级视觉特征。

本文方法的核心组件，VLM实现了从视觉输入到语言表示的转换，使检测过程摆脱对像素级特征的依赖。

研究动机

现有的工业视觉异常检测方法主要依赖局部视觉线索，如PaDiM、PatchCore、EfficientAD等，它们擅长识别明显的结构缺陷如划痕、凹陷或污染。然而在实际工业检测中，异常往往表现为全局逻辑约束的违反，包括数量差异、长度属性、类型错误、位置偏差和相互关系等。这些逻辑异常的判别线索更加分散且不那么明显，同时真实检测环境存在背景杂乱、光照偏移和模糊等低级视觉变化。即使底层逻辑状态保持不变，这些变化也会干扰基于视觉的检测器，导致假阳性。例如，EfficientAD在图1中甚至对正常样本产生强烈的异常响应，同时无法清晰定位缺失螺丝的逻辑异常。

本文的目标是本文的具体目标是创建一个专门的数据集和方法来评估和实现视觉诱导干扰下的逻辑异常检测。数据集方面，要控制低级视觉变化的同时保持逻辑状态不变，提供50个单类任务来评估鲁棒性。方法方面，要开发一种不依赖视觉特征而依赖文本表示的检测框架，能够在仅使用正常图像训练的情况下识别逻辑异常，并在各种捕获条件下保持稳定性能。

与已有工作不同的是，本文的独特切入角度在于首次系统性地将视觉诱导干扰引入逻辑异常检测的评估设置中。现有数据集如MVTec AD、VisA、Real-IAD主要关注结构异常，即使包含逻辑异常的MVTec LOCO AD也没有分离视觉外观变化与逻辑状态变化。本文通过保持逻辑规则不变而仅改变捕获条件，实现了对视觉干扰鲁棒性的控制评估。方法上，现有方法都基于视觉特征表示，而本文创新性地转向语言表示，通过对比学习仅从正常文本描述和合成的矛盾文本中学习，完全避免了对真实异常图像的依赖。

核心方法

本文方法的核心思路是将异常检测从视觉空间转移到语言嵌入空间，通过语义描述而非原始图像进行检测。直觉是逻辑约束更容易在语言中表示和理解，且语言表示对低级视觉变化具有天然的不变性。技术路线包括四个步骤：首先使用冻结的VLM将图像转换为逻辑聚焦的文本描述；然后通过约束文本重写合成矛盾的负样本；接着使用对比学习微调BERT编码器，使正常描述和矛盾描述在嵌入空间中分离；最后在推理时通过k近邻距离聚合计算异常分数。

与已有方法的本质区别在于完全脱离视觉特征表示的学习，转而依赖语言表示。现有方法如PaDiM、PatchCore、EfficientAD都基于ImageNet预训练的视觉特征、重建误差或学生-教师蒸馏，它们在视觉干扰下容易产生虚假响应。本文方法仅从正常图像生成的文本描述中学习，通过合成矛盾文本实现无需真实异常图像的训练。这种设计使模型关注数量、类型、位置等逻辑属性，而忽略背景纹理、光照等视觉干扰因素。

方法步骤详情

方法步骤包括：1）视觉到文本描述生成：对每个训练图像，使用冻结的VLM（Qwen2-VL-7B-Instruct）在特定场景提示下生成单一逻辑聚焦文本描述，采用低温度解码确保稳定性；2）负文本合成：对每个正文本，通过替换-only编辑合成一个矛盾负文本，保持文本结构和长度不变，至少引入一个属性级别的矛盾（如颜色、类型、数量、区域、顺序等），使用高温度增加多样性；3）对比学习微调：使用预训练BERT编码器，通过dropout数据增强生成正样本对，合成负文本作为负样本，优化InfoNCE损失，学习率为2e-5，温度tau为0.5，训练20个epoch；4）推理和评分：测试图像通过相同VLM生成文本，使用微调的BERT编码得到嵌入，计算到训练嵌入的欧氏距离，选择k=5个最近邻居，通过公式计算正常性分数。

技术新颖性

本文的技术新颖性体现在三个方面：首先，数据集设计上首次实现了逻辑状态与视觉外观变化的解耦，为视觉干扰下的逻辑异常检测提供了专门的评估基准；其次，方法上提出了纯文本的训练框架，通过约束文本重写合成负样本，完全避免了真实异常图像的依赖，这在实际场景中具有显著优势；第三，检测范式上从像素级建模转向语言级推理，利用语言表示的语义不变性来抵抗视觉干扰，这为工业异常检测提供了新的思路。

**Figure 3**: Pipeline of the proposed unsupervised logical anomaly detector

实验结果

在VID-AD数据集上的广泛实验表明，本文方法在所有5种捕获条件下都取得了最佳AUROC性能，平均AUROC为0.831，标准差为0.013，显著优于第二好的CSAD（0.662）。本文方法的提升幅度为0.132到0.207 AUROC，且标准差仅为0.013，显示出卓越的稳定性。视觉基线方法在不同条件下的性能波动较大，如EfficientAD的最佳与最差条件差距达到0.129 AUROC，表明它们依赖易受环境变化干扰的低级视觉模式。场景级别的鲁棒性分析显示，本文方法的敏感度在不同场景间差异较大，Fruits为0.006，Ropes为0.009，而Sticks为0.096，这可能与规则关键属性的语言表达性有关。消融研究比较了三种VLM：Qwen2-VL-7B-Instruct、Llama-3.2-11B-Vision-Instruct和LLaVA-v1.5-13B，Qwen2 7B取得最佳平均AUROC 0.831，其次是Llama3.2 11B（0.822）和LLaVA 13B（0.701）。

**Table 1**: Comparison of VID-AD with representative anomaly detection datasets for industrial visual inspection

**Table 3**: Per-scenario statistics of VID-AD reported per capture condition

**Table 4**: Condition-wise image-level AUROC on VID-AD

**Table 5**: Scenario-wise sensitivity measured as the standard deviation of AUROC across the five capture conditions

**Table 6**: Qualitative examples of VLM-generated positive texts under vision-induced distraction

**Table 7**: Ablation on the choice of the Vision-Language Model (VLM)

**Figure 4**: Qualitative anomaly maps of CSAD on the Cookies scenario under five capture conditions

**Figure 5**: Scenario-wise sensitivity of the proposed method across capture conditions on VID-AD

查看结构化数据

任务	指标	本文	基线	提升
VID-AD整体	AUROC	0.831	CSAD: 0.662	+0.169
White BG条件	AUROC	0.825	CSAD: 0.693	+0.132
Cable BG条件	AUROC	0.811	UniVAD: 0.592	+0.219
Mesh BG条件	AUROC	0.848	CSAD: 0.641	+0.207
Low-light CD条件	AUROC	0.842	CSAD: 0.694	+0.148
Blurry CD条件	AUROC	0.826	CSAD: 0.657	+0.169
条件间稳定性	标准差	0.013	UniVAD: 0.011	接近最优

局限与改进

作者承认的局限性包括：当前框架依赖固定的文本提示生成单文本描述，虽然提供了可控且降噪的输入格式，但可能丢失细粒度细节；方法对语言表达性敏感，当规则关键属性难以一致表达时性能下降，如Sticks场景相对长度关系在不同条件下可能被忽略；缺乏像素级异常图的能力，这对于需要定位的具体应用场景可能是一个限制。此外，本文方法在推理时仍需VLM生成文本，相比纯视觉方法增加了计算开销；对于复杂的组合逻辑约束，单文本描述可能不够充分；数据集目前只包含10个制造场景，多样性可能有限。

独立分析的弱点

首先，方法对VLM生成的文本质量高度依赖，如果VLM遗漏规则关键属性，检测性能会受到影响。这可以通过改进提示设计、采用多文本集成或使用更强的VLM来解决。其次，方法缺乏像素级异常定位能力，只能提供图像级检测，这在需要精确定位异常区域的应用中是个缺点，可以通过引入视觉-语言对齐或逆向映射来增强定位能力。第三，推理时需要VLM生成文本，计算成本较高，可以考虑预计算正常文本嵌入或蒸馏轻量模型。第四，文本重写策略相对简单，可能无法覆盖所有可能的逻辑违反模式，可以通过更丰富的语义操作或学习式生成来改进。第五，方法主要处理离散的逻辑属性，对于连续的数值约束可能不够敏感，可以结合数值推理模块。

未来方向

作者提出减少提示依赖以提高可用性和鲁棒性的未来方向，向无提示或最小化提示的生成发展。基于本文成果可延伸的方向包括：探索更结构化的文本表示，如属性-值元组或约束图，以补充当前的嵌入评分；扩展到多模态融合框架，结合文本语义和视觉线索以实现更好的定位；研究跨场景迁移学习，利用一个场景的知识来加速新场景的适应；探索动态提示生成，根据图像内容自适应调整提示；研究可解释性增强，提供关于逻辑违反的具体规则级别的解释；扩展到视频或序列数据，处理时空逻辑约束；探索在线学习和适应机制，使模型能够逐步学习新的逻辑规则。

复现评估

本文的数据集将公开发布在https://github.com/nkthiroto/VID-AD，代码、提示、预处理脚本和评估代码将在论文接收后发布。实验使用固定随机种子以确保可复现性。VLM文本生成使用Qwen2-VL-7B-Instruct，BERT编码器使用bert-base-uncased预训练模型，训练参数都有明确说明。数据集统计信息详细，每个场景的样本数量分布和异常类型分解都提供了完整表格。然而，论文未提供具体的计算资源需求，也未报告多次运行的置信区间。VLM生成文本的具体提示内容未在论文中展示，可能在代码发布前难以完全复现。总体来说，复现难度中等，主要依赖即将公开的数据集和代码。

VID-AD：视觉诱导干扰下的图像级逻辑异常检测数据集 VID-AD: A Dataset for Image-Level Logical Anomaly Detection under Vision-Induced Distraction