下一场 RISE-MICCAI 文献俱乐部——2026 年 5 月 9 日

无监督异常检测（UAD）的目标是对健康患者图像的分布建模，并利用该模型识别偏离常态的样本。借助 DINOv2 与 DINOv3 等基础模型提供的丰富图块级表征，UAD 取得了新的飞跃。然而传统方法往往依赖大规模记忆库存储正常特征，导致推理时显著的算力与内存开销；这在医学影像中尤为关键，因为医学影像的正常分布比工业视觉应用呈现出更大的方差。本讲座介绍两套不同却互补的框架，旨在超越原始特征存储，迈向更高效、更有结构的正常建模。
首先，我们探索一种非参数方法，使用狄利克雷过程混合模型（DPMM）学习 DINOv2 嵌入的分布。通过对 DINOv2 嵌入进行聚类，我们自动使混合成分数量适应数据集，无需穷举式记忆库即可实现快速、粗略的异常检测。
其次，我们纠正图块级建模中常忽略空间关系的问题。我们引入一种空间自回归（AR）模型，利用卷积神经网络学习 DINOv3 嵌入的分布，显式捕捉图块间的上下文依赖，从而以有竞争力的性能实现快速且内存高效的 UAD。
这些方法共同表明，通过对基础嵌入的分布建模——无论采用概率聚类还是空间自回归——我们可以在医学基准上取得有竞争力的异常检测性能，同时大幅缩短推理时间并降低硬件要求。
《面向无监督异常检测的 DINOv3 嵌入空间自回归建模》（Spatial Autoregressive Modeling of DINOv3 Embeddings for Unsupervised Anomaly Detection）
Nico Schulthess 是苏黎世联邦理工学院（ETH Zürich）生物医学图像计算组的博士生，导师为 Ender Konukoglu 教授。他的主要兴趣是改进医学影像中的无监督异常检测，推动基于基础模型的高效、可扩展方法。此前他在 ETH Zürich 完成电气工程学士与硕士学位，主攻计算机视觉与机器学习。