RAD（Retrieval-based Anomaly Detection，基于检索的异常检测）是由湖南大学和英国格拉斯哥大学研究团队提出的一种完全无需训练的异常检测框架。

核心思想

• “以检索代训练”：不使用传统的编码器-解码器训练模式，而是利用预训练好的强大模型提取特征，存入"记忆库"，检测时直接"查表"对比。
• 全局锁定，局部对比：通过多层特征存储库实现无参数学习。

技术原理（三步走）

1. 构建多层记忆库：利用冻结的编码器（如 DINOv3）提取正常样本在不同层级的特征并存入存储库。
2. 全局上下文检索：输入待检测图像后，先提取全局特征，在存储库中检索出最相似的正常图片进行粗筛。
3. 空间约束的块级检索：对测试图的每个小块进行精查，计算与检索到的最近邻特征的余弦不相似度，融合多图层评分生成最终异常图。

性能优势（相比传统方法）

• MVTec-AD 数据集：Pixel AP 达到 75.6%，显著超过 Dinomaly（69.3%）
• Real-IAD 数据集：Pixel AP 领先 10.9%
• 少样本场景：1-shot 设置下 Pixel AUPRO 达 91.9%

特点与价值

• 免训练、易部署、可实时更新
• 解决了重建模型的"忠实度-稳定性困境"理论问题
• 从"模型参数化"向"数据非参数化"的范式转变
• 为工业界提供高效方案
  论文地址: arxiv https://arxiv.org/abs/2601.22763
  代码仓库: GitHub https://github.com/longkukuhi/RAD