SPG: ゼロショット異常検知のための疎投影ガイド（Sparse-Projected Guides）と疎オートエンコーダ（Sparse Autoencoders）

Abstract

本研究では、凍結した基盤モデルの特徴を用いたゼロショットの異常検知およびセグメンテーションを扱います。学習可能なパラメータはすべて、ラベル付きの補助データセット上でのみ学習され、対象ドメインへの適応（target-domain adaptation）なしで、未見のターゲットカテゴリに展開されます。既存のプロンプトベース手法は、正常/異常状態の参照ベクトルとして、手作りまたは学習されたプロンプト埋め込みを利用します。本研究では、Sparse Autoencoder（SAE）の潜在空間における疎なガイド係数を学習し、SAE辞書を通じて正常/異常のガイドベクトルを生成する、プロンプト不要の枠組みであるSparse-Projected Guides（SPG）を提案します。SPGは、ラベル付き補助データセット上で二段階の学習戦略を採用します：（i）パッチトークン特徴に対してSAEを学習し、（ii）バックボーンとSAEを凍結したまま、補助のピクセルレベルマスクを用いてガイド係数のみを最適化します。クロスデータセットのゼロショット設定におけるMVTec ADとVisAにおいて、SPGは画像レベル検知で競争力のある性能を達成し、ピクセルレベルのセグメンテーションも強力です。DINOv3では、比較手法の中で最も高いピクセルレベルAUROCをSPGが達成します。さらに、OpenCLIP（ViT-L/14@336px）で具体化したSPGも報告しており、バックボーンをCLIPベースラインに整合させます。加えて、学習されたガイド係数は、少数の辞書アトムへと判断を追跡できることを示し、カテゴリに一般的な要因とカテゴリ固有の要因の両方を明らかにします。