OPD-IAD: From Language Judgment to Industrial Anomaly Detection via On-Policy Self-Distillation

📄 arXiv: 2607.18850v1 📥 PDF

作者: Shuimu Chen, Jing Jin, Nan Su, Hongbo Xu, Zebang Cheng, Wenming Yang, Fei Ma, Guijin Wang

分类: cs.CV, cs.AI

发布日期: 2026-07-21

💡 一句话要点

提出OPD-IAD以解决工业异常检测中的像素级定位问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 工业异常检测 视觉语言模型 自蒸馏 像素级定位 多模态融合

📋 核心要点

  1. 现有LVLM基础的IAD方法在生成语言判断后，难以实现精确的像素级异常图，限制了其应用效果。
  2. 本文提出OPD-IAD框架，通过在线自蒸馏和语言引导的视觉锚定，实现了语言与视觉特征的有效结合。
  3. 实验结果表明，OPD-IAD在图像级、像素级和问答指标上均表现出色，超越了大多数现有方法。

📝 摘要（中文）

大型视觉语言模型（LVLMs）在工业异常检测（IAD）中展现出强大的潜力，能够提供图像级的异常判断和可解释的缺陷推理。然而，现有基于LVLM的方法在生成语言判断后，仍难以产生精确的像素级异常图。为此，本文提出了OPD-IAD，一个证据特权的密集在线自蒸馏框架，旨在通过语言引导实现精确的像素级定位。该方法通过将特权缺陷证据蒸馏到模型的在线判断轨迹上，使最终生成的判断在密集监督下学习，而不仅仅是作为文本答案。通过语言引导的视觉锚定，结合对比热图头生成异常图，最终实现了在多个指标上超越现有方法的性能。

🔬 方法详解

问题定义：本文旨在解决现有LVLM基础的工业异常检测方法在生成语言判断后，无法有效生成精确的像素级异常图的问题。现有方法通常将语言判断视为最终答案，缺乏对视觉信息的充分利用。

核心思路：OPD-IAD框架通过将特权缺陷证据蒸馏到模型的在线判断轨迹上，使得语言判断在密集监督下学习，从而实现语言引导的异常定位，而不让语言质量直接影响像素级响应。

技术框架：OPD-IAD的整体架构包括两个主要模块：1）在线自蒸馏模块，通过对模型的判断轨迹进行蒸馏，增强判断的准确性；2）语言引导的视觉锚定模块，通过对图像和问题进行重编码，生成语义锚定，并与密集视觉特征进行对比，生成异常图。

关键创新：OPD-IAD的核心创新在于将语言判断作为密集监督的条件，结合视觉特征生成异常图，这一设计使得语言与视觉信息的结合更加紧密，突破了传统方法的局限。

关键设计：在模型设计中，采用了对比损失函数来优化视觉特征与语义锚定之间的对比，同时在网络结构上，利用热图头生成像素级异常图，确保了生成结果的精确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，OPD-IAD在多个指标上均超越了现有的LVLM基础IAD方法，尤其在图像级和像素级的表现上，提升幅度达到XX%（具体数据待补充），在问答指标上也表现优异，验证了其有效性和实用性。

🎯 应用场景

该研究的潜在应用领域包括工业生产线的缺陷检测、质量控制和自动化监测等。通过实现精确的像素级异常定位，OPD-IAD能够有效提升工业检测的效率和准确性，降低人工干预的需求，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Large vision-language models (LVLMs) have recently shown strong potential for industrial anomaly detection (IAD) by providing image-level anomaly judgments and interpretable defect reasoning. However, current LVLM-based IAD methods still struggle to produce precise pixel-level anomaly maps from generated language judgments. We aim to achieve precise pixel-level localization while using language as guidance rather than letting it dominate the visual response. Specifically, we propose \textbf{OPD-IAD}, an evidence-privileged dense on-policy self-distillation framework for LVLM-based IAD. OPD-IAD distills privileged defect evidence onto the model's own on-policy judgment trajectory, enabling the final generated judgment to be learned under dense supervision rather than treated only as a textual answer. The resulting judgment serves as a semantic condition for dense anomaly perception. To turn this condition into dense visual evidence, we introduce \textbf{Language-guided Visual Anchoring}, which uses a judgment reforward to re-encode the image and question under the final-judgment condition into semantic anchors and contrasts them with dense visual features through a contrastive heatmap head to generate anomaly maps. The language judgment therefore provides compact semantic guidance, while dense visual features remain the basis for pixel-level scoring, allowing language to guide anomaly localization without letting language quality directly dictate the pixel-level response. Extensive experiments show that OPD-IAD achieves the best overall performance among LVLM-based IAD methods, leading on most image-level, pixel-level, and QA metrics.