摘要
多模态大语言模型（MLLMs）在异常检测中展现了卓越的推理与感知能力，但现有方法多局限于图像级检测与文本推理，像素级定位仍依赖外部视觉模块及密集标注。本文提出推理驱动异常定位（ReAL）方法，仅利用图像级监督，通过提取自回归推理过程中的异常相关令牌并聚合其注意力响应，生成像素级异常图谱，无需辅助组件或像素级标签。此外，引入一致性引导推理优化（CGRO）模块，利用强化学习对齐推理令牌与视觉注意力，提升推理连贯性与定位精度。实验表明，该方法在多个基准上显著优于同类技术。
AI 推荐理由
论文核心在于激活 MLLM 的内在推理潜能，利用自回归推理过程实现异常定位。
研究机构
State Key Laboratory of Virtual Reality Technology and Systems, Beihang University, Beijing, China
Hangzhou Innovation Institute, Beihang University, Hangzhou, China
论文信息