How Far Can Untrained Neural Networks Go in Anomaly Detection? From Tables to Pixels 封面
HuggingFace
论文2026-11-0…

How Far Can Untrained Neural Networks Go in Anomaly Detection? From Tables to Pixels

Anomaly detection (AD) is often framed as a representation-learning problem, where strong performance is expected to require learned features or AD-specific optimization. However, this view can overlook the intrinsic se…

来源:HuggingFace Papers收录于 2026年11月20日

站内导读

中文

定位:一篇异常检测论文,提出 PRISM 框架,用完全未训练的随机特征挑战必须靠学习表征才能做好检测的固有假设。

核心能力

  • 固定随机非线性特征加基于正常样本的马氏距离评分,全程无需神经权重优化或预训练表征即可完成检测与定位任务,整体思路简洁且便于在不同数据类型之间迁移复用与对比验证
  • 表格版在 47 个 ADBench 数据集上取得比较方法中最高的平均 AUROC,平均精确率召回指标也位居前列
  • 视觉版在 MVTec AD 与 VisA 共 27 个视觉类别上实现图像级判别与像素级定位,适合缺陷区域的精细标注
  • 提供理论分析解释非线性变换如何影响均值与协方差对评分差距的贡献,并用实验剖析分数的可分性来源

适用人群:做异常检测、工业质检和表征学习基线研究的研究者、工程师以及关注无训练检测方案落地的实践者。

相关项目 · HuggingFace

查看全部「HuggingFace」项目 →