SubspaceAD 是一种无需训练的少样本异常检测方法，专为工业视觉缺陷检测设计。其核心思想是：利用少量正常样本，通过子空间建模来刻画正常外观的分布，从而检测出偏离该分布的异常区域。

1. 背景与动机

传统异常检测方法（如基于重构或记忆库）常需大量正常样本或复杂的训练过程。而在实际工业场景中，每个类别往往只能提供少量（如1~10张）正常图像。SubspaceAD 直接利用预训练的 DINOv2 特征提取器，无需任何训练或微调，仅通过少量正常样本拟合一个线性子空间（PCA），即可实现高精度异常检测。

2. 核心方法（两阶段）

• 特征提取：使用冻结的 DINOv2（带寄存器 tokens）提取图像块（patch）级别的特征。特征提取时支持多层级聚合（如 concat、mean）和中心裁剪预处理。

• 子空间建模：将所有正常样本的 patch 特征拼接后，通过主成分分析（PCA）估计一个低维子空间，该子空间能够高效地重构正常特征，而对异常特征则产生较大的重构误差。

3. 推理阶段

对于测试图像，同样提取 patch 特征，计算每个 patch 的重建误差（通常为平方误差），得到像素级异常分数图。后处理包括上采样、高斯模糊和 min-max 归一化，最终输出异常热力图。

4. 优势

• 无需训练：不更新任何模型参数，完全基于预训练特征和线性投影。

• 少样本高效：1-shot 即可达到接近全量训练的性能。

• 简单可解释：异常分数具有明确的几何意义（投影到子空间的残差）。

• 轻量部署：可导出为 ONNX 模型，便于工业落地。

5. 主要结果（1-shot）

在 2-shot、4-shot 下性能进一步提升，优于同期方法（如 PromptAD、AnomalyDINO）。

6. 代码与使用

• GitHub：https://github.com/CLendering/SubspaceAD

• 核心脚本：

  • main.py：训练（拟合PCA）和评估

• 环境：Python 3.10，依赖 PyTorch、transformers、sklearn 等

• 一键运行示例：

  bash

  python main.py --dataset_name mvtec_ad --dataset_path datasets/mvtec-ad --categories bottle --model_ckpt facebook/dinov2-with-registers-small --image_res 672 --k_shot 1 --pca_ev 0.95

7. 适用场景

• 工业缺陷检测（MVTec-AD、VisA 等）

• 医疗影像异常发现

• 任何需要快速适应新类别的异常检测任务

SubspaceAD 以其简洁高效的特点，成为少样本异常检测领域的重要基线。如需深入实践，可参考其官方仓库及论文《SubspaceAD: Training-Free Few-Shot Anomaly Detection via Subspace Modeling》（CVPR 2026）。

8.实际运用效果(1-Shot)

模型输出异常图，根据异常图计算图像级异常分数，设定一个合适阈值，即可判定目标是否异常

9.说明

开源项目中作者没有提供模型导出onnx的方法，如果需要导出onnx方便在C#或者C++项目中部署的话，需要自行研究onnx导出方法，输入输出参考：