【2025CVPR 异常检测方向】DFM: Differentiable Feature Matching for Anomaly Detection

论文地址：https://openaccess.thecvf.com/content/CVPR2025/papers/Wu_DFM_Differentiable_Feature_Matching_for_Anomaly_Detection_CVPR_2025_paper.pdf

1. 引言与背景

论文首先指出，基于特征匹配的无监督异常检测方法（如SPADE和PatchCore）已表现出优异性能，但存在以下局限性：

• 特征提取与匹配模块分离：现有方法依赖预训练主干网络，无法针对下游任务进行适配，导致特征表示不理想。

• 匹配算法静态：手工设计的匹配方案（如最近邻匹配）缺乏灵活性，难以适应不同特征。

• 无法利用异常样本：在监督或持续学习设置中，无法利用真实或合成异常样本进行优化。

为了解决这些问题，论文提出可微分特征匹配（DFM）框架，将特征提取和匹配模块集成到单一模型中，实现端到端优化。DFM通过引入特征匹配网络（FMN）使匹配过程可微分，从而联合优化特征提取器和匹配头。