LASB无监督异常检测：薛定谔桥理论在工业质检中的应用

1. 论文核心思想解析

CVPR2025这篇LASB论文提出了一种革命性的无监督异常检测框架，从根本上改变了传统基于重构误差或纯噪声扩散的方法论。作为一名长期从事工业质检算法研发的工程师，我认为其核心突破点在于将量子物理中的薛定谔桥理论创造性地引入到计算机视觉领域。这不仅仅是简单的理论迁移，而是针对异常检测这一特定任务进行了深度定制化改造。

传统方法如DRAEM或PaDiM存在一个致命缺陷：它们假设训练数据绝对纯净（即不含任何异常样本），这在真实工业场景中几乎不可能实现。我曾参与过多个半导体缺陷检测项目，产线上收集的"正常样本"往往混杂着未被标注的微小异常。LASB通过线性薛定谔桥机制，巧妙地规避了这一强假设要求，使得模型在训练阶段就能学习到异常到正常的转换路径，这在实际应用中具有重大价值。

2. 关键技术实现细节

2.1 潜在空间编码设计

LASB采用VQ-VAE进行潜在空间编码，这个选择背后有深刻的工程考量。我们在实际部署中发现，直接在像素空间操作会面临两个主要问题：

1. 计算成本随图像分辨率呈指数级增长
2. 高频细节噪声会干扰异常信号的提取

论文中将输入图像压缩到64×64×3的潜在空间，这个维度设置经过了严格验证：

• 当潜在维度低于32×32时，关键结构信息丢失严重（实验显示AUROC下降4.1%）
• 高于128×128则导致扩散过程收敛困难
• 3个通道的设计平衡了特征丰富度与计算效率

实践建议：在工业场景部署时，建议先用领域数据微调VQ-VAE的codebook，可以提升约2-3%的定位精度。我们发现直接使用ImageNet预训练版本会导致对特定纹理的编码效率低下。

2.2 线性薛定谔桥的工程实现

传统扩散模型（如DDPM）采用高斯噪声逐步破坏图像结构，这在异常检测场景会带来两个问题：

1. 早期阶段的过度噪声化会丢失微小异常特征
2. 重建过程缺乏明确的正常样本引导

LASB的创新之处在于定义了双边界条件：

• 起点分布p_A：包含异常的潜在编码
• 终点分布p_B：Dirac Delta函数（即确定的正常状态）

通过求解Fokker-Planck方程，可以得到解析形式的转移概率：

code复制q(z_t|z_0,z_1) = N(z_t; μ_t, Σ_t)
μ_t = (1-t)z_0 +