论文解读与源码复现｜LASB：薛定谔桥驱动的统一无监督异常检测（CVPR 2025）

论文解读与源码复现｜LASB：薛定谔桥驱动的统一无监督异常检测（CVPR 2025）

论文首页题目与摘要截图

一、前言

工业质检与医学影像里的异常检测，主流是无监督"重构式"范式：只用正常样本训练，推理时把异常图"修"回正常图，差异图即异常热图。扩散模型进场的姿势各有问题——DDPM/LDM 从纯高斯噪声出发重构，结构信息在噪声里丢失，定位精度差；DiAD 要额外挂一个语义引导网络；DiffAD 要配判别子网络。辅助网络成了扩散异常检测的标配，也成了它的包袱。

IIT Hyderabad 与 KLA 的这篇 CVPR 2025 论文提出的 LASB（Latent Anomaly Schrödinger Bridge）走了一条理论驱动的捷径：用薛定谔桥（Schrödinger Bridge）直接学"异常分布 → 正常分布"的最优传输桥——不像高斯扩散把数据打成噪声再重建，而是让异常图沿桥"平滑变形"为正常图，结构信息全程保留。整个模型只有一个去噪网络跑在 VQ-VAE 潜空间里，无任何辅助网络，MVTec-AD 上 AUROC 99.14 / AP_seg 78.2 双 SOTA（多类统一设定）。

二、方法解析

2.1 从 SGM 到薛定谔桥：终点不再是高斯

Score-based 生成模型（SGM）的backward SDE 依赖 score 函数，从高斯先验重建任意分布——但它的终点被锁死在 $\mathcal{N}(0,I)$。薛定谔桥（SB）把问题改写成：在固定两端边际（$t=0$ 时 $p_A$ 异常分布、$t=1$ 时 $p_B$ 正常分布）的所有路径测度中，找与参考测度 KL 距离最小的那个（论文式 3）。SB 的最优解由一对 PDE 的解 $\Psi, \widehat\Psi$ 刻画，forward/backward drift 变成非线性的 $\nabla\log\Psi$ / $\nabla\log\widehat\Psi$（论文式 6–7）。

Linear-SB 可解化：直接解 PDE 不可行。作者的推导（利用 Nelson 对偶与 Fokker-Planck 方程）表明：非线性 drift 恰是边界条件不同的两个线性 SDE的 score（论文式 8–9）。再引入Dirac delta 边界条件$\widehat\Psi(\cdot,0)=\delta_\kappa(\cdot)$——backward drift 永远指向一个具体样本 $\kappa$，与终端分布 $p_B$ 无关。于是每个训练实例只需计算条件 score $\nabla\log p(X_t|X_0=\kappa)$，完全落入标准 SGM 训练框架。

2.2 LASB：潜空间中的异常→正常桥

流程（论文 Figure 2 / Algorithm 1–2）：

1. VQ-VAE 感知压缩：$E_{VQ}/D_{VQ}$ 从 Stable Diffusion 权重初始化、KL 目标微调，把 256×256 图编码为 64×64×3 潜码；训完冻结。
2. 异常增广：对正常训练图施加 DRAEM 式异常增广（随机 mask + 噪声纹理），让模型见过"各种异常长什么样"。
3. 训练 Linear-SB：在潜空间中，forward 过程从增广异常潜码 $z_0$（Dirac 边界）走向正常潜码分布；给定边界对 $(z_0, z_1)$ 的桥后验是解析的（论文式 11）：

$$q(z_t|z_0,z_1) = \mathcal{N}\left(z_t;\ \mu_t = \frac{\bar\sigma_t^2}{\bar\sigma_t^2+\sigma_t^2}z_0 + \frac{\sigma_t^2}{\bar\sigma_t^2+\sigma_t^2}z_1,\ \Sigma_t = \frac{\bar\sigma_t^2\sigma_t^2}{\bar\sigma_t^2+\sigma_t^2}I\right)$$

训练目标（论文式 12）：

$$\mathcal{L}{LASB} = \left|\epsilon\theta(z_t, t) - \frac{z_t - z_0}{\sigma_t^{(z)}}\right|$$

4. 半退化策略：不同于高斯扩散逐级加噪摧毁结构，LASB 的 forward 是 $z_0 \to z_1$ 的插值（桥），结构信息全程保留——这就是"平滑异常→正常变换"的数学来源（论文 Figure 1 对比了两者轨迹）。
5. 推理（Algorithm 2）：异常测试图编码为 $z_N$，DDPM 式采样走 backward SDE 到 $z_0$，解码得到"修复后的正常图"；原图与重构图过 ImageNet 预训练网络提多尺度特征、算差异定位异常（与 DiAD 同款差异块，但无引导网络）。

图片源自论文 Figure 2：LASB 两阶段框架。训练时对正常图做异常增广、学习"滤除"增广异常；推理时输入真实异常图重构正常版本，差异块输出检测与定位热图。

三、数据集与实验设置

• MVTec-AD：15 类（10 物体 + 5 纹理），5,354 张高清图，3,629 正常训练 / 1,725 测试（含异常）。
• VisA：12 类、10,821 张图（9,621 正常 + 1,200 异常，78 种异常），复杂结构/多实例/单实例三种类型。
• 指标：AUROC / AP / F1max，cls（图像级检测）与 seg（像素级定位）两套。
• 实现：256×256 输入；VQ-VAE 潜码 64×64×3；去噪网络为 DDPM 式 U-Net；推理只输入异常图。
• 对比：class-based（SimpleNet/PatchCore/DiffAD/DDAD/TransFusion 等）与 unified 多类（UniAD/DiAD/MambaAD/HVQ-Trans/GLAD 等）分组比较。

四、关键实验结果

1. MVTec-AD 类级设定逼近满分（Table 1 上半）：AUROC_cls/AP_cls99.66/99.15，仅次于 DDAD 的 99.84；VisA 上 **98.52/99.06 反超 DDAD（98.9）**的 AP 口径——复杂多类场景下桥式变换更稳。

2. 统一多类设定全面 SOTA（Table 1 下半）：

3. 扩散系内部对比：定位指标碾压（Table 2，MVTec）。相对次优模型：AUROC_seg+0.6%、AP_seg+17.4%（78.2 vs 60.8，GLAD）、F1max_seg+10.0%、F1max_cls +2.0%。定位类指标的大幅领先正是"结构保留"的直接回报——从纯噪声重构的模型连物体的边界都对不齐。

4. VisA 多类（Table 3）：AUROC_seg 98.2 / AP_seg 46.4 / F1max_seg 52.6，相对次优（DiAD 96.0/26.1/33.0）大幅领先。

5. 效率：NFE=10 即收敛（Table 4）。桥的两端固定，采样不需要 1000 步：

10 步（0.74 秒）即达 1000 步的精度——比标准扩散检测器的实用性好一个量级；且 Figure 3 显示 LASB 的训练时间/显存/采样时间在 DDPM/SGM/SB（IPF）各档分辨率下均为最低（完整 SB 的 IPF 训练最贵）。

五、机制解释与讨论

为什么桥式变换比重构更利于定位？异常检测的本质需求是"把异常区域替换掉、把正常区域原样保留"。高斯扩散的 forward 把两者都抹成噪声，backward 重构时正常区域也要"重新猜出来"——像素级对齐靠运气。薛定谔桥的 forward 是异常→正常的条件插值：结构信息（物体轮廓、纹理走向）天然保留在轨迹上，模型只需替换异常统计对应的分量。差异图的"底噪"因此小得多——这解释了 AP_seg 上 17.4% 的悬殊差距。

具体发现 → 凝练结论：

• 具体发现一：Dirac 边界让训练退化为标准 score matching —— 结论：SB 的理论优雅性不必以训练复杂度为代价，关键在于边界条件的选取（锚定单个样本而非分布）；
• 具体发现二：NFE=10 后所有指标饱和 —— 结论：桥的终点固定，采样路径长度天然短于"从噪声长出图像"；
• 具体发现三：VisA 上反超 class-based 的 DDAD —— 结论：桥式结构保留在类别混杂（统一模型）场景下的优势更大，因为模型必须同时应付 12 类物体的结构。

六、局限与工程启示

局限：

• 依赖 DRAEM 式异常增广来"教会"模型异常的统计外观——增广与真实异常的分布差距仍是隐忧（与 DRAEM 同源的问题）；
• VQ-VAE 的重构上限构成系统天花板；
• 官方仓库当前仅有 README 占位（代码尚未实际放出，截至本文撰写）。

工程启示：

• "边界条件工程"是扩散模型改造的通用杠杆：换掉高斯先验、锚定具体样本，就能把生成模型改造成分布间传输工具——同样的思路可用于图像修复、风格迁移、域转换；
• 潜空间 + 半退化插值的组合让扩散检测器第一次有了"10 步推理"的实用延迟；
• 对质检场景：统一模型省掉"每类一模型"的部署成本，94+ 的 VisA AUROC 说明跨类泛化已可用；
• 评测建议：扩散系异常检测必须报 AP_seg/F1max_seg——AUROC 在高度不平衡的像素级任务上会掩盖巨大差距（Table 2 里 AUROC 差 1.2% 而 AP 差 17.4%）。

七、源码复现

• 官方仓库：https://github.com/ShilhoraAkshayPatel/LASB ——截至本文撰写仓库仅有 README 占位（标题与论文一致，无代码文件）。
• 本地目录：复现代码/2552-LASB/（仅 LICENSE + README）。

⚠️ 复现路径/未运行：论文源码尚未实际放出，以下为基于论文方法描述整理的参考实现与预期复现路径，非官方代码、非实际运行结果。

参考实现（依据论文式 (11)(12) 与 Algorithm 1/2 整理）：

# 参考实现：Linear-SB 桥训练与采样（依据论文描述整理，非官方代码） import torch, torch.nn as nn, torch.nn.functional as F def bridge_posterior(z0, z1, t, beta): """论文式(11)：给定边界对 (z0, z1) 的桥后验（解析形式）。 σ_t² = ∫₀ᵗ β, σ̄_t² = ∫ₜ¹ β（累计方差）。""" s2 = beta[:t].sum() # σ_t² s2bar = beta[t:].sum() # σ̄_t² mu = (s2bar / (s2bar + s2)) * z0 + (s2 / (s2bar + s2)) * z1 var = (s2bar * s2 / (s2bar + s2)) return mu, var def lasb_loss(net, z0_anom, z1_norm, beta): """论文式(12) + Algorithm 1：从桥后验采样 z_t， 网络预测 score，目标为 (z_t - z0)/σ_t。""" t = torch.randint(1, len(beta), (z0_anom.size(0),), device=z0_anom.device) mu, var = bridge_posterior(z0_anom, z1_norm, t, beta) z_t = mu + var.sqrt() * torch.randn_like(mu) target = (z_t - z0_anom) / beta[:t.max()].cumsum(0)[t - 1].sqrt().view(-1, 1, 1, 1) return F.mse_loss(net(z_t, t), target) @torch.no_grad() def lasb_sample(net, z_N, beta, steps=10): """Algorithm 2：DDPM 式采样，仅需 10 步 NFE。""" idx = torch.linspace(len(beta) - 1, 0, steps).long() z = z_N for n in idx: eps = net(z, n.view(1)) z0_pred = z - beta[:n + 1].sum().sqrt() * eps # 预测 z0 # p(z_{n-1} | z0_pred, z_n)：桥后验一步回退 mu, var = bridge_posterior(z0_pred, z, max(n - 1, 0), beta) z = mu + var.sqrt() * torch.randn_like(mu) if n > 0 else z0_pred return z

预期复现路径：

1. VQ-VAE：从 Stable Diffusion 的 VQ 权重初始化，在 MVTec/VisA 训练集（正常 + DRAEM 异常增广图）上 KL 微调至收敛后冻结；潜码 64×64×3。
2. 异常增广：按 DRAEM 的 Perlin 噪声 + 外部纹理（DTD）管线生成增广对（正常图 → 异常图 + mask）。
3. 训练 Linear-SB：U-Net 去噪网络（DDPM 架构），在潜空间用上面的桥损失训练；边界对为（增广异常潜码，正常潜码）。
4. 推理与差异块：测试异常图 → 潜码 → 10 步桥采样 → 解码正常图；原图与重构图过 ImageNet 预训练 backbone 提多尺度特征、算差异图（与 DiAD 实现对齐）。
5. 评测：AUROC/AP/F1max（cls + seg），对照 Table 1–3；扫描 NFE ∈ {1,2,5,10,100,1000} 复现 Table 4 的饱和曲线。
6. 消融方向：pixel 空间 vs 潜空间、DDPM vs Linear-SB 损失、半退化插值 vs 逐级加噪（验证结构保留假设）。

7.4 复现时区分桥过程、重构器与异常评分器

LASB 的推理链包含潜变量编码、桥式采样、解码以及特征差异评分。复现时若只比较最终 AUROC，很难判断结果差异来自哪一环。建议分别检查 VQ-VAE 的正常图重构质量、桥采样后的图像结构保留程度，以及差异图对异常区域的响应。尤其是潜空间编码器若抹掉了细小缺陷，后续桥模型即使训练稳定也无法恢复被压缩丢失的信息；反过来，解码器产生的正常纹理差异也可能在热图里形成误报。

桥的边界样本配对也影响训练信号。正常图与合成异常图需要在场景结构上对应，使模型能够学习在保持背景布局的同时消除异常。若异常增广改变了大面积背景，模型可能学成整体重绘器，而非局部异常修复器。复现报告应注明异常纹理来源、mask 生成方式及异常覆盖比例，并展示不同类别的定性案例。DRAEM 式增广是论文训练方案的一部分，但其合成分布与真实缺陷的差距仍然是重要限制。

7.5 指标、采样步数与部署含义

异常检测中的图像级 AUROC 与像素级 AP/ F1max 衡量对象不同。像素级异常区域通常只占整张图很小比例，AUROC 可能在大量正常像素上看起来很高，却掩盖异常区域边界不准的问题；因此需要同时看 AP_seg 和 F1max_seg，并查看热图的空间定位。不同工作若使用不同特征骨干、阈值选择或插值方式，像素指标也可能不可直接横向比较。

论文显示 NFE 增加到 10 后指标趋于饱和，说明其特定数据与模型设置下可减少采样步数；部署前仍需在目标硬件和目标分辨率下测延迟、显存与吞吐。桥式模型并非完全无采样成本，也不意味着任何异常类型都能在 10 步获得同等精度。对高价值缺陷，可采用较多步数或对不确定样本触发二阶段检查；对实时质检，则应先验证低步数下漏检率是否仍满足业务要求。

八、总结

LASB 把薛定谔桥从最优传输理论搬进了异常检测的实战：用 Dirac 边界条件把理论上昂贵的 SB 训练化归为标准 score matching，在 VQ-VAE 潜空间学一条"异常→正常"的结构保持桥——省掉所有辅助网络，换来 MVTec 多类设定 99.14/98.66 的双 SOTA 和 AP_seg 上 17.4% 的领先，外加"10 步采样即饱和"的部署级效率。对被扩散异常检测的推理成本和定位精度同时折磨的团队，这是一条理论清晰、工程友好的新路线。

延伸阅读建议：薛定谔桥与 IPF（De Bortoli et al.、Shi et al.）、DRAEM（异常增广源头）、DiAD（潜空间扩散检测对照）、DDAD/GLAD/TransFusion（扩散系 SOTA）、UniAD/MambaAD（非扩散统一模型）、VQ-VAE 与 Stable Diffusion 的潜空间设计。

九、引用信息

论文引用：

Shilhora Akshay, Niveditha Lakshmi Narasimhan, Jacob George, Vineeth N Balasubramanian. A Unified Latent Schrödinger Bridge Diffusion Model for Unsupervised Anomaly Detection and Localization. CVPR, 2025.

论文 PDF：https://openaccess.thecvf.com/content/CVPR2025/papers/Akshay_A_Unified_Latent_Schrodinger_Bridge_Diffusion_Model_for_Unsupervised_Anomaly_CVPR_2025_paper.pdf

官方仓库：https://github.com/ShilhoraAkshayPatel/LASB （截至撰写为占位仓库，代码未放出）