近年来，计算机视觉领域掀起了一股“视觉-语言大模型”的浪潮。从CLIP到各种多模态模型，研究者们似乎默认：解决复杂视觉任务必须依赖语言模型的加持。
但在工业质检、医疗影像分析等高度依赖视觉信息的异常检测任务上，这种范式真的必要吗？
今天，来自腾讯优图实验室的研究者们提出了一个颠覆性的观点：纯视觉基础模型足以解决通用视觉异常检测问题。
他们的工作UniADet（Universal vision Anomaly Detection）以“简单到令人尴尬”的方式，彻底摆脱了对语言模型的依赖，仅用纯视觉基础模型，就在14个真实的工业和医疗异常检测基准上，大幅超越了现有的零样本/少样本SOTA方法。
更令人惊讶的是，在某些情况下，仅用4张正常样本就首次超越了全样本训练的SOTA模型。
传统方法之困：被语言模型“绑架”的异常检测
在UniADet之前，零样本和少样本异常检测的主流方法严重依赖像CLIP这样的视觉-语言模型。基本流程是：通过输入“正常”和“异常”等文本提示，让语言编码器生成用于区分正常与异常的分类权重。
这种方法虽然有效，但存在明显缺陷：
- 复杂的提示工程： 为了让模型理解什么是“异常”，研究者需要精心设计文本提示，这本身就成为一门“玄学”
- 模型通用性受限： 方法被“锁死”在视觉-语言模型上，无法利用DINOv2、DINOv3等强大的纯视觉自监督模型
- 策略臃肿复杂： 各种适配器模块和训练技巧层出不穷，使得整个框架越来越复杂
腾讯优图的研究团队敏锐地抓住了一个根本问题：语言编码器的唯一作用只是生成决策权重，那么为什么不直接学习这个权重呢？
UniADet的极简之道：双重解耦设计
UniADet被设计为一个完全“语言无关”的框架。其核心思想可以用两个字概括：解耦。
- 解耦分类与分割：各司其职
传统方法通常用同一组权重同时执行分类（判断整图是否异常）和分割（定位异常区域）两个任务。但研究者通过可视化发现，代表全局图像的特征与代表局部区域的特征，它们的分布存在巨大差异。
用同一把“尺子”去衡量两个不同的东西，效果自然打折扣。
UniADet的创新之处在于：为分类任务和分割任务分别学习独立的权重。这样，两个任务就有了各自专属的决策边界，解决了因特征分布不一致而导致的学习冲突。
- 解耦层级特征：多尺度优化
同样地，来自骨干网络不同深度的特征，其语义信息也不同。浅层特征更关注纹理细节，深层特征更关注整体结构。
UniADet将解耦进行到底：为每一个用到的特征层级，都学习其独立的分类和分割权重。这就保证了模型在每个尺度上都能以最优的方式进行决策。
通过这两个简单的解耦操作，UniADet彻底摆脱了语言模型的束缚，变成了一个仅需学习极少量线性权重的、极其轻量且高效的框架。
少样本推理：轻量级内存增强机制
除了零样本能力，UniADet还针对少样本场景设计了巧妙的解决方案。它引入了一个受PatchCore启发的内存增强机制：将少量正常样本的局部特征存储起来，构建一个多尺度的正常特征记忆库。
推理时，通过计算查询图片特征与记忆库中最近邻特征的距离，得到少样本异常分数，并最终与零样本的预测结果进行融合。这种方法有效识别了那些需要与正常样本进行对比才能发现的异常。
性能表现：简单方法的强大实力
UniADet在多个基准测试中的表现证明了一个道理：大道至简。
- 零样本性能对比
- 工业领域： UniADet平均Image-AUROC达到91.6%，显著高于依赖语言的AdaptCLIP（89.6%）
- 医学领域： UniADet平均像素级P-AUROC达到91.7%，显著高于Bayes-PFL（87.7%）和AnomalyCLIP（83.5%）
- 参数效率与推理速度
最令人印象深刻的是UniADet的超高效率：
- 参数量： 仅0.0015M（1.5e-3M），比动辄几M甚至几十M参数的SOTA方法降低了数千甚至上万倍
- 推理速度： 仅需15.7ms，是目前最快的解决方案之一
- 少样本学习的突破
在Real-IAD这个具有代表性的大规模数据集上，UniADet仅用4张正常样本就达到了90.3%的Image-AUROC，超越了全样本训练的SOTA模型Dinomaly（89.3%）。
这是首次有方法在如此少的样本下超越全量训练模型，标志着少样本异常检测的一个重要里程碑。
可视化结果：精准的异常定位
无论是工业瑕疵还是医疗病灶，UniADet都能准确定位：
- 工业产品： 准确识别划痕、凹陷、污染等各种缺陷
- 医疗影像： 精确定位肿瘤、病变区域，为医疗诊断提供可靠支持
可视化结果显示，UniADet生成的分割图边界清晰、噪声少，与真实标注高度一致。
思考与启示：回归视觉本质
UniADet这篇工作带给我们的不仅是一个高效的异常检测工具，更是一种研究思路上的启发。
在AI领域，我们似乎习惯了用更强、更大、更复杂的模型去“暴力”解决问题。但UniADet提醒我们，深入理解问题的本质，有时候能让我们找到更优雅、更高效的解法。
当视觉问题可以用纯粹的视觉模型解决时，或许我们真的不需要强行引入其他模态。这种“回归本源”的思路，对于降低AI应用门槛、提高模型可解释性具有重要意义。
结语
UniADet为通用异常检测领域树立了一个新的、极具竞争力的基准。它证明了在特定任务上，简洁优雅的设计往往比复杂的多模态模型更加有效。
期待作者开源代码后，社区能在此基础上迸发出更多创新火花。这一工作也提醒我们：在追求模型复杂度的同时，不应忽视对问题本质的深入思考。
有时候，最简单的方案，往往是最强大的。
