Flownomaly
一种面向少样本工业异常检测的方法，在冻结的预训练特征空间中通过条件流匹配学习速度场，将查询token单步恢复为正常对应物，以恢复残差作为异常信号
时间轴 (近 90 天)
Flownomaly 在冻结的 DINOv2 特征空间中，通过条件流匹配学习速度场，将查询 token 向正常对应物拉回，用恢复前后的平方残差作为异常信号。
Flownomaly 不微调 DINOv2 主干，而是在冻结的 patch token 上做条件流匹配。
Flownomaly 提出仅依赖正常样本的 Jacobian 增益-噪声准则，用于在无异常验证样本的少样本设定下选择操作时间（恢复步长）。
在 1-shot 设定下，Flownomaly 在 MVTec-AD 上达到图像级 AUROC 97.8%、像素级 AUROC 98.0%。
在 1-shot 设定下，Flownomaly 在 VisA 上达到图像级 AUROC 95.3%、像素级 AUROC 98.7%，图像级比最强基线高 2.1 个百分点。
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。
Flownomaly 在冻结 DINOv2 特征上做条件输运，恢复目标锚定在正常支持样本上，结构性降低了异常内容被复现的风险。
Flownomaly 代码已开源，地址为 github.com/b-rbmp/Flownomaly，可直接在 MVTec-AD 与 VisA 上复现少样本基准。
Flownomaly 的评估集中在工业检测基准，采用类别特异性建模，每个类别需要单独适配，跨类别泛化能力尚未展开讨论。
冻结 DINOv2 特征意味着 Flownomaly 的检测上限受制于该特征空间对细粒度缺陷的敏感度。
还有 1 条时间轴事件
全部知识事实 (11)
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需在更多类别上验证。
50%待验证Flownomaly 不微调 DINOv2 主干，而是在冻结的 patch token 上做条件流匹配。
50%待验证Flownomaly 提出仅依赖正常样本的 Jacobian 增益-噪声准则，用于在无异常验证样本的少样本设定下选择操作时间（恢复步长）。
50%待验证在 1-shot 设定下，Flownomaly 在 MVTec-AD 上达到图像级 AUROC 97.8%、像素级 AUROC 98.0%。
50%待验证在 1-shot 设定下，Flownomaly 在 VisA 上达到图像级 AUROC 95.3%、像素级 AUROC 98.7%，图像级比最强基线高 2.1 个百分点。
50%待验证论文在 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。
50%待验证Flownomaly 在冻结 DINOv2 特征上做条件输运，恢复目标锚定在正常支持样本上，结构性降低了异常内容被复现的风险。
50%待验证Flownomaly 在冻结的 DINOv2 特征空间中，通过条件流匹配学习速度场，将查询 token 向正常对应物拉回，用恢复前后的平方残差作为异常信号。
50%待验证Flownomaly 的评估集中在工业检测基准，采用类别特异性建模，每个类别需要单独适配，跨类别泛化能力尚未展开讨论。
50%待验证冻结 DINOv2 特征意味着 Flownomaly 的检测上限受制于该特征空间对细粒度缺陷的敏感度。
50%待验证Flownomaly 代码已开源，地址为 github.com/b-rbmp/Flownomaly，可直接在 MVTec-AD 与 VisA 上复现少样本基准。
50%