导读

———————————————————————————————————————————

扩散模型做异常检测的主流范式是"重建"：先给图片加噪，再去噪还原，通过比较原图和重建图的差异来定位异常。但这条路有两个绕不开的问题——噪声强度要精细调参（太强破坏正常区域，太弱漏检异常），去噪需要多步迭代（10-1000步），导致推理速度极慢，大多数方法只有1-2 FPS。

福井大学联合 UBC、Vector Institute 提出 InvAD，换了一条全新的思路：不做重建，做反演（inversion）。不是从噪声还原图片，而是把图片往噪声方向推，只需 3步 DDIM 反演，然后看最终的隐变量是否偏离了"正常分布"。正常图片会被映射到高密度区域，异常图片则会落在低密度区域。

结果：MVTec-AD 图像级 AU-ROC 99.0%，推理速度 88.1 FPS，比此前最快的扩散方法 OmiAD（39.4 FPS）快 2.2 倍，且无需噪声强度调参。更关键的是，InvAD 是一个推理阶段的即插即用方案，可以直接嫁接到已有的扩散 AD 方法上。

论文信息

———————————————————————————————————————————

• 标题：InvAD: Inversion-based Reconstruction-Free Anomaly Detection with Diffusion Models

• 作者：Shunsuke Sakai, Xiangteng He, Chunzhi Gu（通讯作者）, Leonid Sigal, Tatsuhito Hasegawa（通讯作者）

• 机构：福井大学、不列颠哥伦比亚大学（UBC）、Vector Institute for AI

• 发表：CVPR 2026

• 代码：https://github.com/SkyShunsuke/InversionAD

一、重建范式的两大痛点，为什么需要换一条路？

———————————————————————————————————————————

现有扩散模型做异常检测的方法几乎都遵循同一个范式："在 RGB 空间做去噪检测"。流程是 x₀ → xₜ → x̂₀，先给输入图片加噪到某个时间步 t，再用训练好的扩散模型去噪还原，最后用原图和重建图的 MSE 差异来判断异常。

这个范式存在两个根本性问题：

问题一：噪声强度的两难困境。

加噪强度是一个需要精细调参的超参数。噪声太强，正常区域也会被破坏，重建不回来，产生大量误报；噪声太弱，异常区域也能被完美重建，导致漏检。论文在 Table 4 中做了系统对比：在 MVTec-AD 上，重建方法的 AU-ROC 从 64.7% 到 98.2% 不等，严重依赖噪声比例 r 和扩散步数 S 的组合。

问题二：多步去噪的计算瓶颈。

要获得高质量的重建结果，通常需要 10 到 1000 步迭代去噪。论文统计了现有方法的推理效率（Table 1）：

方法	会议	函数评估次数（NFE）	FPS	免调参	多类别
DiAD	AAAI'24	10	1.5	✓	✓
TransFusion	ECCV'24	20	1.6	✗	✗
MDM	ICML'25	40	1.9	✗	✗
OmiAD	ICML'25	1	39.4	✗	✓
InvAD（本文）	CVPR'26	3	88.1	✓	✓

InvAD 以 3 次函数评估达到 88.1 FPS，是唯一同时满足免调参和多类别统一检测的方法。

二、核心思路："加噪检测"取代"去噪检测"

———————————————————————————————————————————

InvAD 的核心洞察是：扩散模型只在正常数据上训练过，它学到的就是正常数据的分布。与其用去噪来重建图片，不如用反演来测量图片是否"属于"正常分布。

具体做法：

1. DDIM 反演：给定输入图片 x₀，沿 PF-ODE（概率流常微分方程）的确定性轨迹，把图片反演到最终的隐变量 xT。由于 PF-ODE 是确定性的，这构成了数据分布和噪声先验分布之间的一一映射。

2. 异常评分：正常图片会被映射到先验分布（标准高斯）的高密度区域，异常图片则会偏离。通过测量 xT 与已知先验分布的偏离程度来判断异常。

3. 少步反演：用 Euler 方法近似 PF-ODE，只需 3 步反演就够了。因为扩散模型在反演过程中自适应地添加噪声，原始特征信息仍然被保留，不会因为步数少而丢失检测精度。

两种范式的对比：

维度	重建范式	InvAD 反演范式
流程	x₀ → xₜ → x̂₀（加噪+去噪）	x₀ → xT（只做反演）
异常评分	MSE(x₀, x̂₀)	log p(xT)（先验分布偏离度）
噪声调参	需要精细调参噪声比例 r	不需要（免调参）
推理步数	10-1000 步	3 步
轨迹类型	随机路径（DDPM）	确定性路径（PF-ODE）

异常评分的细节：论文设计了 NLL（负对数似然）+ Diff（欧氏范数空间差异）的双重评分方案。单独用 NLL 或 Diff 都不够鲁棒，但组合使用后对步数 S 的选择非常稳健——S=3 时 AU-ROC 99.0%，S=1000 时仍有 95.4%。

三、工业+医疗双场景验证：速度翻倍，精度SOTA

———————————————————————————————————————————

论文在 4 个主流基准上做了全面评估，涵盖工业和医疗两大场景。

工业异常检测（多类别统一设置）

Table 2 核心数据（图像级 AU-ROC / mAD 综合指标 / FPS）：

数据集	InvAD AU-ROC	InvAD mAD	InvAD FPS	OmiAD AU-ROC	OmiAD mAD	OmiAD FPS
MVTec-AD	99.0%	83.7	88.1	98.8%	85.3	39.4
VisA	96.9%	80.3	74.1	95.3%	79.3	35.3
MPDD	96.5%	80.1	120	93.7%	78.9	49.8

在 MVTec-AD 上需要区分两个指标：InvAD 的图像级 AU-ROC（99.0%）略高于 OmiAD（98.8%），但 综合 mAD 指标 OmiAD（85.3）反超 InvAD（83.7）——主要差距来自像素级 AP 指标（InvAD 46.5% vs OmiAD 52.6%）。在 VisA 和 MPDD 上，InvAD 在两项指标上均领先。

InvAD 真正的优势在于速度：88.1 FPS，是 OmiAD（39.4 FPS）的 2.2 倍，是 DiAD（1.5 FPS）的 58 倍。在 MPDD 上 FPS 达到 120，已接近实时检测的工业需求。

医疗异常检测（BMAD 单类别设置）

方法	mAD 综合	FPS
PatchCore（CVPR'22）	86.4	20
RD4AD（CVPR'22）	84.2	20
InvAD	87.2	88

InvAD 在 6 个医疗数据集（脑瘤、肝脏、视网膜、肺部等）上达到最优 mAD 87.2%，同时速度是 PatchCore 的 4.4 倍。这验证了 InvAD 不限于工业场景，在医疗异常检测中同样有效。

四、消融实验：反演为什么比重建好？3步为什么够？

———————————————————————————————————————————

反演 vs 重建的直接对比

论文在完全相同的模型上做了直接对比实验（Table 4）：，只改变推理阶段的策略（重建 or 反演），对比在不同扩散步数 S 下的表现：

推理策略	S=3	S=5	S=10	S=50	S=100	S=1000
重建（最优 r）	67.8%	75.0%	97.9%	98.0%	98.2%	98.2%
反演（InvAD）	99.0%	98.9%	98.4%	96.0%	95.7%	95.4%

两个关键发现：

1. 在少步（S=3）时差距巨大：反演 99.0% vs 重建 67.8%，说明反演范式天然适合少步推理

2. 反演对步数选择很鲁棒：S 从 3 到 1000，AU-ROC 只从 99.0% 降到 95.4%；而重建方法需要 S≥10 才能达到可用水平

即插即用验证

InvAD 只修改推理阶段，不改变训练，因此可以直接嫁接到已有方法上（Table 5）：

方法	原始 det. AU-ROC	+InvAD det.	原始 FPS	+InvAD FPS
DiAD	97.2%	98.2%（+1.0）	0.1	88.1 （×880）
MDM	91.9%	98.2%（+6.3）	2.2	63 （×28）

MDM 加上 InvAD 后，精度从 91.9% 跳到 98.2%，速度从 2.2 FPS 提升到 63 FPS。这验证了反演范式作为即插即用模块的实用价值。

各组件贡献

配置	特征空间扩散	单步反演	多步反演	mAD
A1	✓			57.3
A2		✓		44.9
A3	✓	✓		71.0
A4（InvAD）	✓		✓	83.7

特征空间扩散（Feature Diffusion Model）和多步反演缺一不可。单步反演（A3: 71.0）远不如多步反演（A4: 83.7），3步是精度和速度的最优平衡点。

五、总结

———————————————————————————————————————————

论文贡献总结：

1. 范式创新：提出"反演检测"取代"重建检测"，从根本上绕开了噪声调参和多步去噪两大瓶颈

2. 极致效率：3步反演达到 88 FPS，在保持 SOTA 精度的同时将推理速度提升 2 倍以上

3. 即插即用：仅修改推理阶段，可嫁接到已有扩散 AD 方法上，如 DiAD 提速 880 倍

4. 跨领域验证：在工业（MVTec-AD、VisA、MPDD）和医疗（BMAD 6个子集）两大场景均达到 SOTA

个人点评：

这篇论文最值得学习的是思路的简洁性。传统重建范式的问题（噪声调参、多步去噪）在社区中被认为是需要各种 trick 来缓解的工程难题，而 InvAD 直接换了一个角度——不重建了，直接测量反演后的隐变量是否"正常"。这种从 paradigm 层面解决问题的思路，比在旧范式里打补丁更有启发性。

88 FPS 的速度对工业部署有实际意义。目前工厂产线的检测节拍通常在 100-500ms/件，88 FPS（约 11ms/帧）已经完全满足实时需求，且留出了大量余量用于后处理。

需要注意的局限：

• 像素级定位精度有提升空间：虽然图像级检测是 SOTA，但像素级 AP 指标（如 MVTec 46.5%）低于 OmiAD（52.6%）和 DeSTSeg（54.3%）。对于需要精确标记缺陷边界的场景，这可能是瓶颈

• 依赖预训练特征提取器：InvAD 的性能与 EfficientNet-B4 特征提取器强相关（Table 7），更换特征提取器可能需要重新调优

• 训练仍需按数据集单独进行：多类别统一设置下仍需在每个数据集上从头训练扩散模型，跨数据集泛化能力未验证

总体而言，InvAD 用一个极简的思路解决了扩散 AD 的两大核心问题，在精度和速度上都达到了新的标杆。对于工业视觉检测场景，这是目前扩散路线中最值得关注的工作之一。