Flownomaly：单步条件均值恢复实现少样本异常检测

少样本工业异常检测的难点在于：每个类别只有极少量的无缺陷样本，模型必须从这几张图中学会“正常”长什么样，然后对任意查询图像判断哪里异常。现有方法要么把推理绑在存储的样本上，要么强加线性结构，要么在重建过程中反而把异常内容也“恢复”出来。Flownomaly 换了一个思路——不重建图像，而是在冻结的 DINOv2 特征空间中，把查询 token 向“正常对应物”拉回，用恢复前后的残差作为异常信号。

问题设定：从少样本中学习类别特异性正常性

工业异常检测通常按类别建模：每个产品类别单独训练或适配一个检测器。少样本设定进一步把可用正常图像压缩到 1、2 或 4 张。这意味着模型不能依赖大量数据估计分布，必须借助预训练特征空间中已经编码的通用视觉结构。

Flownomaly 的做法是把问题转化为“正常对应物恢复”：给定少量正常支持样本，学习一个速度场，把高斯噪声输运到正常特征分布附近；对查询 token，则用这个场做一次恢复，得到它在正常流形上的对应点。异常程度由查询 token 与恢复结果之间的平方残差衡量。

方法核心：条件流匹配与单步恢复

在冻结特征空间中学一个速度场

Flownomaly 不微调 DINOv2 主干，而是在冻结的 patch token 上做条件流匹配。以正常支持样本的特征为条件，学习一个速度场，把标准高斯噪声沿直线路径输运到正常特征。由于路径被约束为直线，最优场在任意时刻的取值可以直接给出后验均值，因此推理时不需要沿轨迹积分——只做一次场评估，就得到干净正常 token 的条件均值。

这个设计把“去异常”变成一次前向计算，而不是迭代式扩散采样，推理开销显著降低，也让少样本场景下的部署更现实。

条件流匹配（Conditional Flow Matching）源自连续归一化流（CNF）框架：用一个神经网络参数化的速度场 v(x,t) 定义一个时间连续的变换，把简单分布（如标准高斯）映射到目标数据分布上。训练时并不直接模拟ODE轨迹，而是对每个样本采样一条从噪声到数据的条件路径，令网络回归该路径上的瞬时速度。当路径被指定为直线时，目标速度恒为终点减起点，训练目标非常简洁。理论上的关键结论是：对直线条件路径做速度回归，其最优解在所有时刻都等于给定条件时终点的后验均值。Flownomaly 正是利用这一性质——推理时只需在选定时刻对场做一次评估，就得到查询 token 在正常流形上的条件均值，省去ODE积分。

操作时间：用正常样本自身选出恢复强度

恢复步长由一个“操作时间”参数控制，它决定恢复在多大程度上修改查询 token。时间太小，异常残留；时间太大，正常细节被抹平。难点在于少样本设定下没有异常验证样本可用于调参。

Flownomaly 提出一个仅依赖正常样本的 Jacobian 增益-噪声准则：在支持集上评估恢复映射对扰动的放大程度与噪声水平之间的权衡，从中选出操作时间。换句话说，恢复强度不是拍脑袋定的，而是从正常数据自身的几何性质中推出来的。

Jacobian 增益指的是恢复映射对输入微小扰动的局部放大倍数，可用该映射在支持样本处的雅可比矩阵的谱范数（或与之相关的量）来刻画。增益过大意味着映射对噪声和扰动敏感，恢复输出的方差会偏高；增益过小则说明映射接近恒等，对异常偏移的修正能力不足。噪声准则则是把支持集特征本身的噪声水平纳入权衡：在给定噪声下，恢复误差可由增益与噪声的乘积估计。Jacobian 增益-噪声准则本质上是在“过度修正”与“修正不足”之间寻找平衡点，其优势在于整个评估只用正常支持样本，不需要任何异常样本或标签，因而契合少样本工业设定下异常样本不可得的现实约束。

实验表现：1-shot 下的图像与像素级指标

论文在 MVTec-AD、VisA 上覆盖 1、2、4-shot 基准，并在 Real-IAD 上做样本数变化评估，与近期类别特异性方法对比均达到 state-of-the-art。

1-shot 设定下的关键数字：

• MVTec-AD：图像级 AUROC 97.8%，像素级 AUROC 98.0%
• VisA：图像级 AUROC 95.3%，像素级 AUROC 98.7%，图像级比最强基线高 2.1 个点

像素级 AUROC 在 1-shot 下接近 98%，说明单步恢复产生的残差图在定位上足够锐利；图像级与像素级之间的差距也较小，意味着该方法没有出现“定位好但整图判断弱”的常见失衡。

AUROC（Area Under the ROC Curve）是异常检测最常用的评价指标之一，衡量模型把异常样本排在正常样本之前的整体能力，取值 0.5 相当于随机猜测、1.0 为完美排序。图像级 AUROC 针对整张图的异常分数，像素级 AUROC 则对每个像素的异常分数独立评估排序质量，用于衡量缺陷定位能力。由于工业异常检测中正常样本远多于异常样本，AUROC 对类别不平衡不敏感，因而比准确率更合适。1-shot 下像素级 AUROC 接近 98%，意味着异常分数在绝大多数像素位置上都能正确区分缺陷与背景，单步恢复产生的残差图在空间定位上足够锐利。

值得关注的几点判断

第一，把异常检测转化为特征空间中的对应物恢复，绕开了像素重建容易复现异常内容的陷阱。重建类方法的一个结构性风险是：如果解码器能力足够强，它也可能把缺陷纹理重建出来，导致残差消失。Flownomaly 在冻结特征上做条件输运，恢复目标被锚定在正常支持样本上，这种风险被结构性压低。

第二，单步推理来自直线路径的数学性质，而不是工程近似。条件流匹配在直线路径下后验均值可直接由单次场评估给出，这一点让“快”和“准”不冲突。

第三，无异常验证样本下的超参选择是一个被长期忽视的工程痛点。Jacobian 增益-噪声准则的价值不只在于省掉调参，更在于它让少样本方法在实际产线中可复现——没有异常样本时，选参过程本身必须是正常的。

代码已开源于 github.com/b-rbmp/Flownomaly，可直接在 MVTec-AD 与 VisA 上复现少样本基准。

局限与适用边界

论文的评估集中在工业检测基准，类别特异性建模意味着每个类别需要单独适配，跨类别的泛化能力尚未展开讨论。冻结 DINOv2 特征也意味着方法的上限受制于该特征空间对细粒度缺陷的敏感度。此外，操作时间的选择依赖支持集规模，1-shot 极端设定下的稳定性仍值得在更多类别上验证。