💡💡💡本文核心贡献如下：
提出 ArcAD 校准框架：针对冷启动场景下正常样本不足、异常样本稀缺的工业异常检测挑战，提出一种即插即用的校准框架，可无缝集成至现有基于重建的检测模型，显著提升其性能。
设计 SPM 模块：通过将特征投影至超球面，并利用 Sinkhorn-Knopp 算法实现特征到原型的均衡最优传输分配，将有限正常样本组织为多个紧凑且均匀分布的聚类，在最大化覆盖正常流形的同时，有效缓解数据稀疏导致的特征坍塌问题。
设计 DGC 模块：提出原型约束的异常合成策略，在超球面上生成伪异常，并结合真实异常，通过对比学习将异常样本推离正常原型，从而对正常边界进行显式校准与锐化，增强模型判别力。
实验验证与通用性：在 MVTec-AD、VisA、Real-IAD 和 MANTA 四个基准数据集上，ArcAD 显著提升了 Dinomaly、RD4AD 和 ReContrast 等多种基线模型的性能，在 Real-IAD 上，ArcAD 的 I-AUROC 达92.5%，P-F1-max 达49.8%，分别超越基线3.7%和3.1%；在 MVTec-AD 上 I-AUROC 达99.7%，单类设置下达100.0%。即使在异常比例仅 3% 时，仍能带来0.9%~5.2%的稳定增益。
博主简介
AI小怪兽 | 计算机视觉布道者 | 视觉检测领域创新者
深耕计算机视觉与深度学习领域，专注于视觉检测前沿技术的探索与突破。长期致力于YOLO系列算法的结构性创新、性能极限优化与工业级落地实践，旨在打通从学术研究到产业应用的最后一公里。
🚀 核心专长与技术创新
YOLO算法结构性创新：于CSDN平台原创发布《YOLOv13魔术师》、《YOLOv12魔术师》等全系列深度专栏。系统性提出并开源了多项原创自研模块，在模型轻量化设计、多维度注意力机制融合、特征金字塔重构等关键方向完成了一系列突破性实践，为行业提供了具备高参考价值的技术路径与完整解决方案。
技术生态建设与知识传播：独立运营“计算机视觉大作战”公众号（粉丝2.2万），成功构建高质量的技术交流社群。致力于将复杂算法转化为通俗易懂的解读与可复现的工程代码，显著降低了计算机视觉的技术入门门槛。
🏆 行业影响力与商业实践
荣获腾讯云年度影响力作者与创作之星奖项，内容质量与专业性获行业权威平台认证。
全网累计拥有8万+垂直领域技术受众，专栏文章总阅读量突破百万，在目标检测领域形成了广泛的学术与工业影响力。
具备丰富的企业级项目交付经验，曾为工业视觉检测、智慧城市安防等多个关键领域提供定制化的算法模型与解决方案，驱动业务智能化升级。
💡 未来方向与使命
秉持“让每一行代码都有温度”的技术理念，未来将持续聚焦于实时检测、语义分割及工业缺陷检测的商业化闭环等核心方向。愿与业界同仁协同创新，共同推动技术边界，以坚实的技术能力赋能实体经济与行业变革。
原创自研系列，26年计算机视觉顶会创新点
《YOLO26魔术师》
原创自研系列，25年计算机视觉顶会创新点
《YOLOv13魔术师》
《YOLOv12魔术师》
《YOLO11魔术师》
《YOLOv8原创自研》
《YOLOv5原创自研》
《YOLOv7原创自研》
《YOLOv9魔术师》
《YOLOv10魔术师》
应用系列篇：
《YOLO小目标检测》
《深度学习工业缺陷检测》
《YOLOv8-Pose关键点检测》
23、24年最火系列，加入24年改进点内涵100+优化改进篇，涨点小能手，助力科研，好评率极高
《YOLOv8魔术师》
《YOLOv7魔术师》
《YOLOv5/YOLOv7魔术师》
《RT-DETR魔术师》
0.原理介绍
Accepted to European Conference on Computer Vision (ECCV) 2026
论文：ArcAD: Anomaly-Rectified Calibration for Cold-Start Supervised Anomaly Detection
摘要：在现实制造业中部署工业异常检测常常遇到一个具有挑战性的冷启动瓶颈，即有限的正常样本无法代表完整的正常分布，且仅有少量异常样本可用。在这种机制下，现有方法难以形成紧凑的正常边界，也无法有效利用来自罕见缺陷的监督信号。为应对这一挑战，我们提出了异常修正冷启动异常检测，一个面向基于重建的工业异常检测基线的即插即用校准框架。ArcAD 遵循一种推拉学习范式，在数据稀缺条件下构建一个紧凑且有判别性的正常边界。一方面，ArcAD 将有限的正常样本投影到一个超球面上，并将它们拉入多个紧凑的聚类中，以最大化对正常流形的覆盖。另一方面，它在超球面上合成伪异常，并利用真实异常将边界向内推，增强异常判别能力。在 MVTec-AD、VisA、Real-IAD 和 MANTA 上的大量实验表明，ArcAD 在冷启动条件下的单类别和多类别设置中均显著优于最先进的有监督和无监督方法。
代码：https://github.com/LGC-AD/ArcAD
1 引言
工业异常检测旨在通过识别罕见缺陷来实现零缺陷制造。工业异常检测系统在实际应用中的部署经常遇到严重的冷启动瓶颈。与假设正常数据充足的标准无监督设置不同，新生产线初始爬坡阶段的冷启动场景呈现出不同的数据分布。在此阶段，可用的正常样本无法覆盖完整的正常模式。同时，在系统部署早期只能收集到少量异常样本。
最近的有监督方法在使用带标注的正常和异常样本训练时展现出有前景的性能。然而，在冷启动场景中，这些方法在仅用少量异常训练时容易过拟合，导致对未见缺陷模式的泛化能力较差（见图1）。相反，无监督方法，特别是基于重建的方法，在单类别和多类别设置中均占据主导地位，这主要归功于它们对多样化及未见异常模式的强大泛化能力。这些方法通常学习正常数据的分布，并将偏离所学正常流形的实例识别为异常。虽然充足的数据允许模型隐式学习一个连续且鲁棒的正常流形，但冷启动场景中的数据稀缺会导致碎片化且边界松散的潜在空间。此外，由于严格依赖正常数据，这些无监督范式本质上未能充分利用少数可用异常样本所提供的宝贵指导。因此，一个关键问题出现了：我们如何利用有限的正常样本和罕见的异常来构建一个紧凑的正常边界？
为应对这一挑战，我们提出了异常修正冷启动异常检测，一个旨在增强基于重建模型的即插即用框架。ArcAD从两个互补的角度构建一个紧凑且有判别性的正常边界：显式地将正常样本组织成紧凑的聚类，并利用异常信号校准边界。首先，我们将图像块特征投影到一个超球面上，将方向信息与幅度变化分离，以建立一个有界的几何表示。然后，使用von Mises-Fisher分布对这些超球面特征进行建模。为确保有限的正常数据能充分覆盖潜在流形，我们引入了基于Sinkhorn的原型建模。通过将特征聚类表述为一个最优传输问题，SPM减轻了有偏的特征聚合，并将正常嵌入划分为紧凑且均匀分布的聚类。
除了对正常流形建模之外，ArcAD进一步利用异常信号来显式地修正正常边界。为缓解异常稀缺的问题，我们设计了一种原型约束的异常合成策略，该策略通过根据正常原型过滤候选样本来直接在超球面上生成合成异常。这些合成样本与少量真实缺陷一起，驱动缺陷引导校准。该模块采用一个对比目标，将异常聚集在一起，同时将它们推离最近的正常原型。这个过程显式地增强了所学正常流形的紧凑性和判别力。我们的贡献总结如下：
我们提出了ArcAD，一个面向冷启动场景下基于重建模型的通用即插即用校准框架。
我们引入了基于Sinkhorn的原型建模，以在超球面上将有限的正常样本组织成紧凑且均匀的聚类。
我们提出了缺陷引导校准，它引入了一种原型约束的合成策略来生成伪异常，从而利用真实和合成缺陷来显式修正潜在空间中的正常边界。
在四个数据集上的大量实验表明，ArcAD持续增强了最先进的基线模型。具体来说，在具有挑战性的Real-IAD数据集的多类别设置下，ArcAD分别为这些模型实现了+2.2%、+8.9%和+3.7%的图像级AUROC增益。
2 相关工作
工业异常检测。根据训练数据的可用性，现有的工业异常检测方法大致可以分为无监督和有监督异常检测方法。无监督异常检测通常遵循单类别分类范式，包括基于重建和基于嵌入的方法。这些方法学习正常样本的分布，并在推理时将偏差检测为异常。然而，在冷启动场景下，有限的正常样本常常导致定义松散的潜在边界，显著降低检测性能。有监督异常检测则利用从观测到的异常中获得的先验知识来减少误报。然而，这些方法容易过拟合于有限的观测异常，这限制了它们对未见缺陷模式的泛化能力。
超球面学习。将表示约束到单位超球面上已成为增强特征均匀性和嵌入对齐的有效策略。为了统计表征这些超球面表示，von Mises-Fisher分布提供了一个有原则的概率基础，并已被广泛应用于聚类、语义分割和人脸识别。此外，超球面表示也已在生成建模中被探索，以约束潜在空间并提高生成保真度。最近，超球面建模在分布外检测中展现出了优势，因为它自然地提供了一个有界的潜在空间。受这些几何特性的启发，我们引入了ArcAD，它在单位超球面上对特征进行建模，以将有限的正常样本组织成一个紧凑的流形，同时利用罕见的异常来修正正常边界。
3 方法
3.1 概述
冷启动设置。我们考虑在现实的冷启动设置下的工业异常检测，其中仅有有限的正常样本和少量真实缺陷样本可用于训练。令X = X_N ∪ X_A表示训练集，其中X_N = {x_i}表示正常图像，X_A = {x_j}表示少量真实缺陷样本，且|X_N| ≫ |X_A|。整体训练数据有限以反映早期部署阶段，而正常样本数量严格多于异常样本。对于评估，我们定义测试集为X_test = X_test,N ∪ X_test,A。目标是在冷启动条件下学习一个紧凑且有判别性的正常数据边界。
框架概述。ArcAD构建于基于重建的工业异常检测框架之上，包含一个编码器E(·)、一个瓶颈B(·)和一个解码器D(·)。给定一个输入图像x_i ∈ X_N，编码器和瓶颈将其映射到一个潜在表示z_i = B(E(x_i))。解码器则从潜在空间重建表示。优化目标可以表述为：
其中d(·,·)表示一个距离函数，用于衡量原始特征与重建特征之间的差异。虽然基于重建的损失隐式地捕获了正常流形，但在冷启动条件下，有限的正常数据可能导致有偏且边界松散的潜在结构，从而产生不精确的正常边界。
为缓解此问题，我们提出了异常修正冷启动异常检测，一个在潜在空间上操作且不改变重建骨干网络的即插即用校准框架（见图2）。ArcAD包含两个核心组件：基于Sinkhorn的原型建模，它将有限的正常样本组织成一个紧凑且覆盖良好的正常结构；以及缺陷引导校准，它通过利用合成的伪异常和真实异常来细化正常边界。
3.2 基于Sinkhorn的原型建模
vMF建模。与无界的欧几里得空间相比，超球面提供了一个紧凑的流形，自然地约束了特征分布并促进了紧凑正常结构的形成。先前的研究表明，正常模式的深层表示自然形成遵循类高斯分布的紧凑聚类。因此，我们使用von Mises-Fisher分布来显式地建模超球面特征。
令{z_i ∈ R^D}_{i=1}^{N_p}表示由瓶颈为输入图像提取的潜在图像块嵌入，其中N_p = H_f × W_f是空间图像块的数量。我们通过ℓ2归一化将每个特征z_i投影到单位超球面上，即z_i = z_i / ||z_i||_2，使得z_i ∈ S^{D-1}。遵循vMF分布的归一化图像块特征z的概率密度函数定义为：
其中µ ∈ S^{D-1}表示代表聚类原型的方向均值，κ ≥ 0是控制围绕µ的紧凑程度的浓度参数，C_D(κ)是归一化常数。
基于Sinkhorn的聚类。虽然vMF分布刻画了超球面上的方向浓度，但实际中的正常数据由于多样的纹理和结构常常表现出多模态，尤其是在多类别设置中。因此，我们不使用单一原型来建模正态分布，而是学习多个原型来捕获多样的正常模式。在冷启动条件下，有限的正常样本可能导致有偏的特征空间，使原型坍缩到少数密集区域。为鼓励均匀的原型学习，我们将特征到原型的分配表述为一个平衡的最优传输问题。
具体来说，我们使用带余弦距离的K-means在超球面上初始化K个原型U = {µ_k}{k=1}^K。给定一个包含N_batch个归一化图像块特征的批次，我们寻求一个软分配矩阵Q ∈ R^{N_batch × K}，其中Q{ik}表示特征z_i与原型µ_k之间的分配权重。该分配的优化目标是倾向于高特征-原型相似度，同时满足等分约束。具体来说，每个特征被完全分配到各原型上，并且每个原型接收相等的总质量。
为计算Q，我们使用迭代Sinkhorn-Knopp算法求解此最优传输问题。我们计算成对余弦相似度矩阵S ∈ R^{N_batch × K}，其中S_{ik} = z_i^T µ_k，并初始化指数相似度矩阵为M = exp(S / ϵ)，其中ϵ是温度参数。该算法随后推导出一个熵正则化的解，公式化为：
其中u ∈ R^{N_batch}和v ∈ R^K是非负缩放向量。分配和原型更新遵循期望最大化风格的流程。在E步，我们固定网络参数和原型来推断Q。在M步，我们使用指数移动平均来更新原型µ_k，以确保在超球面上的稳定演化。
以最优传输方案Q作为软分配权重，我们将L_spm公式化为一个交叉熵目标，以对齐网络预测：
其中τ = 1/κ是温度超参数。通过优化L_spm，我们强制正常表示在潜在空间内形成紧凑的聚类。至关重要的是，Sinkhorn机制严格强制均匀性，以确保没有单个原型主导质量分配，从而有效防止向高密度区域的有偏学习。同时，多聚类原型的大容量实现了对正常流形的全面覆盖。这些特性共同建立了一个高度鲁棒且有判别性的正常边界。
3.3 缺陷引导校准
在SPM学习的正常原型基础上，我们接下来使用异常信号来显式地校准正常边界。特别是，真实异常作为负样本被推离正常原型，在异常样本与正常分布之间强制执行一个边界。
然而，在冷启动机制下，只有少量真实异常可用，这不足以支持构建一个稳定的异常区域。为缓解这种稀缺性，我们引入了一种原型约束的异常合成策略，以扩展边界附近的负样本集。与在无界欧几里得空间中进行图像级或特征级增强不同，我们直接在超球面上进行扰动，以使合成样本保持在有界几何内，避免漂移到琐碎的离群点。
原型约束的异常合成。给定一个正常特征z ∈ S^{D-1}作为锚点，我们通过注入高斯噪声ξ ∼ N(0, σ²I)并重新将结果特征投影到单位超球面上来生成一个扰动特征的候选集：
然而，盲目使用所有候选可能会破坏正常流形，因为一些候选可能仍然靠近正常区域。为强制执行判别性边界，我们使用学习到的正常原型U = {µ_k}{k=1}^K作为几何约束来过滤候选。具体来说，我们选择最小化其对原型最大相似度的候选：
在实践中，对于每个正常锚点特征，我们生成N_cand = 5个独立的噪声扰动来形成候选集A'{cand}，并从中精确选择一个伪异常。
对比校准。我们通过两个互补的目标来校准边界。首先，对于真实异常特征，我们惩罚其与正常原型的最大相似度，将异常推离正常分布。其次，我们将每个真实异常与合成的伪异常对齐，鼓励在边界附近形成一个连贯的异常区域。
形式上，给定一个异常图像x_j ∈ X_A，我们将其图像块级特征提取为集合A = {a_i}_{i=1}^{N_p} ⊂ R^D。在其下采样掩码的引导下，我们隔离并将异常图像块嵌入ℓ2归一化到单位超球面上，形成异常集合：
其中m_i ∈ {0, 1}是真实掩码M ∈ {0, 1}^{N_p}的第i个元素。
令A_syn表示从批次内的正常锚点生成的所有合成伪异常的集合。整合这两个目标，缺陷引导校准损失L_dgc公式化为：
其中|A_syn|表示合成异常集的大小。因此，这些异常提供了一个排斥信号，使正常边界更加锐化，并使正态分布的拟合更加紧凑。
3.4 优化
训练。我们引入了一个轻量级判别器f_disc(·)来充当全局结构正则化器。结合SPM和DGC模块，它进一步在潜在空间中强制执行清晰的决策边界，同时保持正常超球面流形的紧凑性。为在缓解冷启动设置中固有的类别不平衡的同时实现这一点，判别器使用二元焦点损失进行优化：
其中Z = {z_i}表示正常特征集，y ∈ {0, 1}是对应的二元标签。
在训练阶段，瓶颈网络使用以下综合目标函数进行优化：
其中λ₁、λ₂和λ₃是平衡各模块贡献的超参数。解码器仅使用从正常样本导出的重建损失进行更新，而判别器的参数仅通过分类损失进行优化。
推理。ArcAD不改变标准的基于重建的异常评分机制。相反，它在训练期间对潜在空间进行正则化。在推理时，异常分数直接根据重建分数图计算。
4 实验
4.1 实验设置
数据集。我们在四个标准工业数据集上评估所提出的 ArcAD。MVTec-AD [1] 包含15个类别，包括3,629张正常训练图像和1,725张图像的测试集。VisA [55] 由12个不同类别组成。官方数据划分为训练提供8,659个正常样本，测试提供2,162个样本。此外，我们利用大规模Real-IAD [43] 数据集，涵盖30个工业类别。训练集有36,465张正常图像，测试集有114,585张图像。MANTA [8] 包含38个目标类别。我们使用该数据集的tiny版本，其训练集包含107,415张图像，测试集包含44,585张图像。
在我们的冷启动设置中，使用标准训练集的30%作为正常训练数据，并与从原始测试集中采样的异常子集相结合。通常，异常占此新构建训练集的10%。由于异常样本的严重稀缺性，对于VisA和MANTA，我们将此比例设为5%。与标准的无监督数据集不同，冷启动训练集包含的正常样本更少，并引入了少量异常。测试集则包含了从训练集中移除的正常样本，并包含减少的异常。无监督方法仅在训练数据的正常子集上训练，而有监督方法和我们的方法则使用完整的冷启动训练集。所有基线均在此相同的冷启动测试集上评估。详细统计数据见图3。
评估指标。与既定协议 [14, 52] 一致，我们使用三个主要指标评估性能。对于图像级异常检测，我们报告ROC曲线下面积。对于像素级定位，我们通过P-AUROC和P-F1-max评估性能。补充材料中提供了额外的指标。所有报告分数均为所有类别的平均值。
实现细节。我们将提出的框架集成到三种基于重建的方法中：Dinomaly [14]、RD4AD [5] 和 ReContrast [13]。数据预处理遵循各框架的标准输入和输出配置。所有模型在所有评估数据集上训练10,000次迭代。我们使用AdamW优化器优化网络。超参数配置为学习率2×10⁻³，动量参数β=(0.9,0.999)，权重衰减1×10⁻⁴。总损失函数中的平衡超参数λ₁、λ₂和λ₃设为0.1。所有基线方法均在相同的冷启动设置下重新实现。
4.2 主要结果
多类别性能。我们在广泛采用的多类别设置下进行了实验，即所有类别的样本混合进行训练。我们将基于Dinomaly的ArcAD与无监督[5,13,15,26,46,53]和有监督方法[6,34,42]进行了比较。实验结果如表1所示。总体而言，所提出的ArcAD在所有数据集和指标上持续优于其他最先进方法。
与无监督学习基线相比，我们的方法在各方面均取得了显著改进。在MVTec-AD和VisA上，ArcAD均取得了最佳性能，分别达到99.7%/99.2%/68.9%和98.9%/99.0%/54.9%，超越了所有SOTA方法。在包含超过30个类别的更复杂、大规模数据集上，性能差距进一步扩大。具体来说，在Real-IAD数据集上，ArcAD达到了92.5%的I-AUROC和49.8%的P-F1-max，显著超过了Dinomaly。类似地，在MANTA数据集上，ArcAD获得了93.3%的I-AUROC和48.5%的P-F1-max，优于最佳的Dinomaly。与无监督方法相比，我们的方法利用少量异常样本作为指导，通过SPM和DGC显式地约束和校准正常流形，从而产生一个高度判别性的边界。
此外，我们将ArcAD与先前的有监督学习方法进行了比较。同时，我们将SDNet的骨干网络替换为与我们的基线相同的Dinov2 [33] 模型。具体来说，我们在MVTec-AD上达到了99.7%的I-AUROC，在VisA上达到了98.9%，在Real-IAD上达到了92.5%，在MANTA上达到了93.3%。这主要是因为传统的有监督模型极易在冷启动场景中可用的稀缺异常样本上过拟合。与其他有监督方法相比，ArcAD利用有限的异常数据来修正正态分布，实现了显著更准确的异常检测和更优的泛化能力。
单类别性能。我们在四个数据集上评估了单类别设置下的ArcAD，总结于表2。总体而言，ArcAD取得了最佳的整体异常检测性能。我们在MVTec-AD上达到了100.0%/99.3%/67.5%，优于最佳竞争对手。在VisA数据集上，我们的方法获得了99.1%/99.1%/52.7%，超过了Dinomaly。在具有挑战性的大规模数据集上，优势更加明显。在Real-IAD上，ArcAD达到了95.4%/99.4%/48.5%，显著超过了顶级竞争对手。同样，在MANTA数据集上，ArcAD获得了96.0%/97.2%/48.0%，相比最佳的Dinomaly取得了显著改进。这些结果表明ArcAD在单类别设置下仍然非常有效。
ArcAD的通用性。为了验证我们提出的ArcAD的通用性，我们将其集成到三种主流的基于重建的异常检测基线中，并在多类别设置下的四个数据集上进行了评估。如图4所示，在加入ArcAD框架后，所有基线模型在四个数据集上的所有指标均有所提升。具体来说，将ArcAD集成到RD4AD框架中，在MVTec-AD、VisA、Real-IAD和MANTA上分别取得了96.4%、93.8%、86.7%和88.0%的I-AUROC分数。这表明ArcAD不会过拟合于特定方法，而是从根本上增强了基于重建模型在冷启动场景中的判别能力。
异常比例的影响。为了评估ArcAD对不同异常比例的敏感性，我们在Real-IAD数据集上，在多类别设置下，使用不同的异常比例进行了实验。如表3报告，ArcAD的集成在所有三个基线模型上均持续带来性能提升。具体来说，在10%的异常比例下，ArcAD将Dinomaly、ReContrast和RD4AD的冷启动I-AUROC分别提升至92.5%、88.1%和86.7%。值得注意的是，即使在仅3%的异常比例下，我们的方法仍然分别将Dinomaly、ReContrast和RD4AD的I-AUROC提升了0.9%、2.2%和5.2%。ArcAD作为一个高度泛化的增强模块，无论异常比例如何，都能持续提升性能。
4.3 消融研究
整体消融。为了研究每个模块的单独贡献，我们在Real-IAD数据集上，在多类别设置下进行了增量消融研究。结果如表4所示。首先，移除SPM模块导致I-AUROC、P-AUROC和P-F1-max分别下降了0.8%、0.1%和0.5%，验证了约束特征均匀性和紧凑性的必要性。其次，移除DGC模块导致指标分别下降了2.3%、0.2%和1.7%，表明异常引导的分布校准对于修正正常边界至关重要。
此外，消除判别器损失导致性能分别下降了2.3%、0.1%和0.7%，证实了其在边界细化中的有效性。值得注意的是，仅向基线添加判别器实际上会降低性能，证明其有效性本质上依赖于与SPM和DGC的协同作用。
聚类策略。为了研究SPM的有效性，我们分别将提出的聚类策略替换为基于欧几里得距离的K-means和基于余弦距离的K-means。如表5所示，基于Sinkhorn的聚类取得了最高的性能，分别为92.5%/99.0%/49.8%，大幅优于K-means并超越了K-means。特别是，相较于K-means的显著改进证明了在超球面上进行优化以防止模式坍塌的必要性。与球形K-means常产生的有偏聚类分配相比，所提出的SPM强制执行等分约束，从而实现更均匀和紧凑的流形。
数据增强。为了评估我们提出的异常合成策略的有效性，我们与其他变体进行了比较。如表6报告，我们的原型约束异常合成策略取得了最佳性能，分别为92.5%/99.0%/49.8%。它相比没有任何异常合成的基线提升了0.9%/0.2%/0.7%，并分别超过了SimpleNet和DRAEM中应用的增强策略。值得注意的是，与应用于所有候选异常的无过滤策略相比，ArcAD取得了显著的增益。这一改进表明，使用所有候选异常并非最优。通过选择远离正常原型的伪异常，我们的策略生成了困难样本，从而实现了精确的边界描绘。
原型数量K。为了评估SPM模块中原型数量的影响，我们通过在{100,300,500,800,1000}中变化原型数量K进行了消融研究。模型在K=500时达到最高的I-AUROC，P-AUROC保持在99.0%以上相对稳定。尽管最高的P-F1-max出现在K=800，我们最终选择K=500，因为它在图像级和像素级检测性能之间提供了最佳平衡。
4.4 可视化
像素级定位。我们定性可视化了我们提出的ArcAD的定位结果，如图6（左）所示。与原始的Dinomaly和RD4AD基线相比，集成ArcAD显著减少了假阳性和假阴性，从而产生了更优的分割性能，尤其是在具有挑战性小尺度异常上。通过强制执行紧凑且均匀的正常特征分布，同时通过异常进行校准，模型建立了一个高度判别性的决策边界。
特征可视化。我们使用t-SNE并应用余弦相似度，在3D球面流形上可视化从瓶颈提取的ℓ2归一化正常图像块特征的学习表示。具体来说，我们从MANTA数据集中随机选择了20个聚类，在多类别设置下比较优化前后的特征分布。如图5所示，优化的特征形成了更清晰、更紧凑、更均匀的聚类。
5 结论
我们提出了ArcAD，一个新颖的即插即用校准框架，有效地克服了工业异常检测中的冷启动瓶颈。通过将基于Sinkhorn的原型建模与缺陷引导校准相结合，ArcAD显式地修正了正常流形。在四个数据集上的大量实验表明，ArcAD在单类别和多类别设置中均达到了最先进的性能。
局限性。尽管我们的方法在训练阶段引入了额外的计算成本，但由于其直接依赖于标准重建差异，它不会影响推理效率。未来的工作将探索更轻量级的原型优化和校准策略，以进一步加速训练过程。
