尧图网站建设 
PatchFlow 实战指南基于归一化流与 Patch 特征的异常检测模型Anomalib 实现解析【免费下载链接】anomalibAn anomaly detection library comprising state-of-the-art algorithms and features such as experiment management, hyper-parameter optimization, and edge inference.项目地址: https://gitcode.com/GitHub_Trending/an/anomalib导读PatchFlow 是 Anomalib 中实现的一种基于归一化流Normalizing Flow的异常检测与分割模型其核心思路是用冻结的预训练骨干网络EfficientNet 或 DINOv2提取多尺度 Patch 特征经局部平均池化与 1×1 卷积适配后交由单个归一化流估计正常数据的密度分布从而实现异常定位与检测。本文以 PatchFlow 官方文档 为主体结合仓库源码torch_model.py、lightning_model.py、anomaly_map.py、loss.py与官方配置示例完整讲解其原理、参数含义、CLI 与 Python API 两种训练方式帮助你直接上手复现与调优。PatchFlow 是什么流模型 Patch 特征的组合思路PatchFlow 来源于论文《PatchFlow: Leveraging a Flow-Based Model with Patch Features》模型类型Segmentation / 分割任务。与 FastFlow、CFlow 等同类流模型不同PatchFlow 做了两处关键设计见 README 描述局部邻域感知的 Patch 特征不直接使用骨干网络每个位置的原始特征而是通过局部平均池化聚合邻域信息让每个 Patch 表征携带上下文特征适配模块Adapter用轻量的 1×1 卷积把预训练特征的通道维度压缩并对齐到工业产品图像分布缓解通用预训练特征 vs 工业图分布之间的域差距从而提升流模型训练的稳定性与检测精度单个归一化流多尺度特征融合成一个张量后只经过一个流而非像 FastFlow 那样多个并行流配合高效的瓶颈式耦合结构bottlenecked coupling降低计算复杂度。从源码看其完整数据流为torch_model.py 中PatchflowModel.forward可选对输入做中心裁剪crop_size在torch.no_grad()下用冻结骨干在多个分辨率提取多尺度特征_fuse_features对每个特征图做AvgPool2d局部聚合 → 双线性上采样到统一空间尺寸 → 沿通道维拼接feature_adaptor1×1 卷积把拼接后的通道压缩到flow_feature_dimself.flowSequenceINNAllInOneBlock做可逆变换得到隐变量hidden_variables与对数雅可比log_jacobians推理阶段由 AnomalyMapGenerator 基于隐变量生成异常热图再按需填充回原始输入尺寸。关键特性按官方文档 Key Features 归纳为三点Patch 级异常检测框架将局部邻域感知特征与流式似然建模结合天然适用于缺陷定位轻量特征适配模块对齐预训练表征与工业图像分布提升流稳定性与检测精度高效的瓶颈式耦合结构降低归一化流的计算复杂度同时保持表达能力。架构详解从多尺度特征到异常热图1. 冻结骨干与多尺度特征提取PatchFlow 支持两类骨干lightning_model.py 的backbone参数CNN 骨干默认tf_efficientnet_b5通过 TimmFeatureExtractor 取layers[2, 3, 4]三层的特征见 torch_model.pyDINOv2 ViT 骨干vit_base_patch14_dinov2等按架构名推断深度small/base12、large24、giant40 层自动选取[0, num_blocks//2, num_blocks-1]三个 Transformer 块作为早期/中期/晚期特征并以 token 模式output_fmtNLC输出再 reshape 为(B, C, H, W)特征图。无论哪种骨干都会在num_scales个分辨率下分别提取缩放系数为 1×、0.5×、0.25×…对应源码_extract_cnn_features/_extract_dinov2_features中的F.interpolate下采样逻辑。所有骨干参数均被冻结requires_gradFalse并置于torch.no_grad()中执行以节省显存。2. 特征融合局部平均池化 上采样 拼接_fuse_featurestorch_model.py对每个特征图依次执行AvgPool2d(kernel_sizepatch_size, stride1, paddingpatch_size // 2)—— 这是局部邻域感知的关键patch_size默认 3F.interpolate(..., sizefused_spatial_size, modebilinear)统一空间分辨率torch.cat(fused, dim1)沿通道维拼接得到单一融合张量。CNN 路径下fused_spatial_size取最小降采样倍率min(reductions)对应分辨率DINOv2 路径下即(H//14, W//14)的 patch 网格尺寸。3. 特征适配器1×1 卷积self.feature_adaptor nn.Conv2d(total_channels, flow_feature_dim, kernel_size1)torch_model.py。其中CNN 路径total_channels sum(out_dims) * num_scalesDINOv2 路径total_channels embed_dim * 3 * num_scales。该 1×1 卷积即文档所称adapter module负责把数百维的融合特征压缩到flow_feature_dim默认 128是控制计算量与流表达能力的关键旋钮。4. 单个归一化流与耦合块流主体是 FrEIA 的SequenceINN(flow_feature_dim, *fused_spatial_size)堆叠flow_steps个 AllInOneBlock 耦合块源码来自 FrEIAAnomalib 内嵌实现。子网由_build_subnet_constructor构造Conv2d → Conv2d → BatchNorm2d → LeakyReLU(0.2)隐层通道数为flow_hidden_dim。正向传播得到(hidden_variables, log_jacobians)训练时返回二者用于 NLL 损失推理时继续走异常图生成。5. 损失函数负对数似然PatchflowLoss 实现z_flat hidden_variables.reshape(B, -1) loss mean(0.5 * sum(z_flat**2, dim1) - jacobians) / z_flat.shape[1]即标准的归一化流负对数似然损失并按展平后的特征维度归一化。training_step中通过self.log(train_loss, ...)记录lightning_model.py。6. 异常图生成与预测分数AnomalyMapGenerator 对隐变量计算log_prob -0.5 * mean(hidden**2)后取exp再取负并双线性插值到目标尺寸得到异常热图log_prob -torch.mean(hidden_variables**2, dim1, keepdimTrue) * 0.5 prob torch.exp(log_prob) return F.interpolate(-prob, sizeself.input_size, modebilinear, align_cornersFalse)推理时torch_model.py 的forward先取热图空间最大值作为图像级pred_score若因crop_size或 DINOv2 patch 对齐导致热图尺寸小于输入则用-1常量填充回原始输入尺寸F.pad(..., value-1)保证可视化对齐。配置参数详解PatchFlow 的全部可调参数定义在 Patchflow Lightning 模块构造函数 中下表逐一说明默认值即源码默认参数默认值含义与影响backbonetf_efficientnet_b5骨干网络timm 模型名或 DINOv2 名如vit_base_patch14_dinov2pre_trainedTrue是否加载预训练骨干权重建议保持开启flow_steps1流中耦合块数量越多表达能力越强但计算量越大flow_feature_dim128特征适配器输出的通道数1×1 卷积目标通道num_scales3多尺度提取的分辨率档数1×、0.5×、0.25×…patch_size3AvgPool 局部聚合的核大小控制邻域感知范围flow_hidden_dim128流子网的隐藏通道数crop_sizeNone可选中心裁剪尺寸(H, W)裁剪后异常图以-1填充回原始输入尺寸lr0.001Adam 优化器学习率weight_decay0.0001Adam 优化器 L2 权重衰减训练器层面还通过trainer_arguments固定gradient_clip_val0与num_sanity_val_steps0lightning_model.py。官方配置示例对比仓库提供了两套开箱即用的配置反映了 CNN 与 DINOv2 两条路线的参数差异dino.yamlbackbone: vit_base_patch14_dinov2flow_steps: 2、flow_hidden_dim: 64、num_scales: 2、patch_size: 5、crop_size: [252, 252]、lr: 0.0002、weight_decay: 0.00001efficientnet.yamlbackbone: tf_efficientnet_b5flow_steps: 1、flow_hidden_dim: 128、num_scales: 3、patch_size: 3、lr: 0.001、weight_decay: 0.0001。两份配置均设定max_epochs: 200并挂载EarlyStoppingpatience: 10监控image_AUROCmode: max。对比可见DINOv2 配置使用更小的学习率、更深的流2 个耦合块与更少的尺度数并显式指定crop_sizeEfficientNet 配置则保持文档默认风格。关于 crop_size 与 DINOv2 patch 对齐DINOv2 的 patch size 为 14输入尺寸必须能被 14 整除。源码中有两重保障torch_model.py显式传入crop_size如(252, 252)252 可被 14 整除时先中心裁剪再做特征提取热图随后填充回原尺寸未传crop_size但输入不可被 14 整除时_internal_size会被自动向下取整到最近的 patch 对齐尺寸并启用自动裁剪此时crop_size被改写为对齐后尺寸。因此官方 Python API 示例中Patchflow(backbonevit_base_patch14_dinov2, crop_size(252, 252))的注释crop_size ensures the input is center-cropped to a compatible size正是对这一机制的说明。训练与推理CLI 方式官方文档给出的 CLI 命令如下。使用 DINOv2 骨干训练anomalib train --config examples/configs/model/patchflow/dino.yaml --data MVTecAD --data.category bottle使用 EfficientNet 骨干训练anomalib train --config examples/configs/model/patchflow/efficientnet.yaml --data MVTecAD --data.category bottle命令要点--config指向 examples/configs/model/patchflow/ 下的 YAML模型超参与训练器回调均在其中声明--data MVTecAD --data.category bottle以命令行覆盖方式指定数据集与类别bottle 为 MVTec AD 中的标准类别便于快速在单类别上验证训练过程中的验证/测试阶段会自动计算指标见下文并支持 EarlyStopping 提前收敛。训练与推理Python API 方式官方文档 Usage 章节 给出的 Python 用法如下from anomalib.data import MVTecAD from anomalib.models import Patchflow from anomalib.engine import Engine datamodule MVTecAD(categorybottle) # DINOv2 requires input dimensions divisible by its patch size (14). # crop_size ensures the input is center-cropped to a compatible size. model Patchflow(backbonevit_base_patch14_dinov2, crop_size(252, 252)) engine Engine() engine.fit(model, datamoduledatamodule) predictions engine.predict(model, datamoduledatamodule)解读与注意事项MVTecAD(categorybottle)直接构造数据模块与 CLI 的--data MVTecAD --data.category bottle等价构造Patchflow时必须能解析出输入尺寸否则会抛出ValueError(Patchflow needs input size to build torch model.)见 lightning_model.py因此请确保datamodule已提供图像尺寸默认预处理为Resize((768, 768), antialiasTrue) ImageNet 均值方差归一化configure_pre_processor与官方论文 Section 4.3 及原仓库 transforms 一致当使用 DINOv2 骨干时即便不手传crop_size模型也会自动中心裁剪到 patch 对齐尺寸训练后直接engine.predict返回每个样本的pred_score与anomaly_mapInferenceBatch可用于缺陷定位与可视化。若希望沿用Engine的完整管线AnomalibModule基类base已自动装配预处理器、后处理器、评估器与可视化器。评估指标configure_evaluatorlightning_model.py为 PatchFlow 配置了验证阶段图像级 AUROCimage_AUROC 像素级 AUROCpixel_AUROC测试阶段图像级 AUROC、图像级 F1、像素级 AUROC、像素级 F1。对应 EarlyStopping 默认监控image_AUROC。其中pred_score图像级取自异常热图最大值anomaly_map像素级为热图本身gt_label/gt_mask来自数据集的真实标注。源码中的自检单元测试印证仓库为 PatchFlow 提供了完整的单元测试覆盖tests/unit/models/image/patchflow/可作为复现与调试的参照test_lightning_model.py验证learning_type ONE_CLASS、training_step返回标量 loss 且非 NaN使用resnet18小骨干 小参数快速构建test_torch_model.py、test_torch_model_dino.py验证 CNN 与 DINOv2 两条前向路径及crop_size/padding 行为test_anomaly_map.py验证异常热图形状与插值test_loss.py验证 NLL 损失计算。从论文到代码的对应关系如需在自己的研究或工程中引用 PatchFlow官方文档提供了 BibTeXarticle{Zhang2026PatchFlowLA, title{PatchFlow: Leveraging a Flow-Based Model with Patch Features}, author{Boxiang Zhang and Baijian Yang and Xiaoming Wang and Corey Vian}, journal{ArXiv}, year{2026}, volume{abs/2602.05238}, url{https://api.semanticscholar.org/CorpusID:285303490} }对照本文可发现论文中的局部邻域感知 Patch 特征对应AvgPool2d聚合patch_size参数adapter module对应 1×1feature_adaptorflow_feature_dim参数bottlenecked coupling对应AllInOneBlock中带BatchNorm2d/LeakyReLU的卷积子网结构。小结一条可复现的 PatchFlow 上手路径快速体验用anomalib train --config examples/configs/model/patchflow/efficientnet.yaml --data MVTecAD --data.category bottle跑通默认流程尝试 DINOv2切换到 dino.yaml注意crop_size需满足 14 整除约束调参方向精度不足时增大flow_steps/flow_hidden_dim/num_scales过拟合或显存紧张时减小num_scales、patch_size或调低lr进阶阅读深入 torch_model.py 与 all_in_one_block.py 理解流实现细节用单元测试验证改动行为。【免费下载链接】anomalibAn anomaly detection library comprising state-of-the-art algorithms and features such as experiment management, hyper-parameter optimization, and edge inference.项目地址: https://gitcode.com/GitHub_Trending/an/anomalib创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 PatchFlow 实战指南：基于归一化流与 Patch 特征的异常检测模型（Anomalib 实现解析）
PatchFlow 实战指南基于归一化流与 Patch 特征的异常检测模型Anomalib 实现解析【免费下载链接】anomalibAn anomaly detection library comprising state-of-the-art algorithms and features such as experiment management, hyper-parameter optimization, and edge inference.项目地址: https://gitcode.com/GitHub_Trending/an/anomalib导读PatchFlow 是 Anomalib 中实现的一种基于归一化流Normalizing Flow的异常检测与分割模型其核心思路是用冻结的预训练骨干网络EfficientNet 或 DINOv2提取多尺度 Patch 特征经局部平均池化与 1×1 卷积适配后交由单个归一化流估计正常数据的密度分布从而实现异常定位与检测。本文以 PatchFlow 官方文档 为主体结合仓库源码torch_model.py、lightning_model.py、anomaly_map.py、loss.py与官方配置示例完整讲解其原理、参数含义、CLI 与 Python API 两种训练方式帮助你直接上手复现与调优。PatchFlow 是什么流模型 Patch 特征的组合思路PatchFlow 来源于论文《PatchFlow: Leveraging a Flow-Based Model with Patch Features》模型类型Segmentation / 分割任务。与 FastFlow、CFlow 等同类流模型不同PatchFlow 做了两处关键设计见 README 描述局部邻域感知的 Patch 特征不直接使用骨干网络每个位置的原始特征而是通过局部平均池化聚合邻域信息让每个 Patch 表征携带上下文特征适配模块Adapter用轻量的 1×1 卷积把预训练特征的通道维度压缩并对齐到工业产品图像分布缓解通用预训练特征 vs 工业图分布之间的域差距从而提升流模型训练的稳定性与检测精度单个归一化流多尺度特征融合成一个张量后只经过一个流而非像 FastFlow 那样多个并行流配合高效的瓶颈式耦合结构bottlenecked coupling降低计算复杂度。从源码看其完整数据流为torch_model.py 中PatchflowModel.forward可选对输入做中心裁剪crop_size在torch.no_grad()下用冻结骨干在多个分辨率提取多尺度特征_fuse_features对每个特征图做AvgPool2d局部聚合 → 双线性上采样到统一空间尺寸 → 沿通道维拼接feature_adaptor1×1 卷积把拼接后的通道压缩到flow_feature_dimself.flowSequenceINNAllInOneBlock做可逆变换得到隐变量hidden_variables与对数雅可比log_jacobians推理阶段由 AnomalyMapGenerator 基于隐变量生成异常热图再按需填充回原始输入尺寸。关键特性按官方文档 Key Features 归纳为三点Patch 级异常检测框架将局部邻域感知特征与流式似然建模结合天然适用于缺陷定位轻量特征适配模块对齐预训练表征与工业图像分布提升流稳定性与检测精度高效的瓶颈式耦合结构降低归一化流的计算复杂度同时保持表达能力。架构详解从多尺度特征到异常热图1. 冻结骨干与多尺度特征提取PatchFlow 支持两类骨干lightning_model.py 的backbone参数CNN 骨干默认tf_efficientnet_b5通过 TimmFeatureExtractor 取layers[2, 3, 4]三层的特征见 torch_model.pyDINOv2 ViT 骨干vit_base_patch14_dinov2等按架构名推断深度small/base12、large24、giant40 层自动选取[0, num_blocks//2, num_blocks-1]三个 Transformer 块作为早期/中期/晚期特征并以 token 模式output_fmtNLC输出再 reshape 为(B, C, H, W)特征图。无论哪种骨干都会在num_scales个分辨率下分别提取缩放系数为 1×、0.5×、0.25×…对应源码_extract_cnn_features/_extract_dinov2_features中的F.interpolate下采样逻辑。所有骨干参数均被冻结requires_gradFalse并置于torch.no_grad()中执行以节省显存。2. 特征融合局部平均池化 上采样 拼接_fuse_featurestorch_model.py对每个特征图依次执行AvgPool2d(kernel_sizepatch_size, stride1, paddingpatch_size // 2)—— 这是局部邻域感知的关键patch_size默认 3F.interpolate(..., sizefused_spatial_size, modebilinear)统一空间分辨率torch.cat(fused, dim1)沿通道维拼接得到单一融合张量。CNN 路径下fused_spatial_size取最小降采样倍率min(reductions)对应分辨率DINOv2 路径下即(H//14, W//14)的 patch 网格尺寸。3. 特征适配器1×1 卷积self.feature_adaptor nn.Conv2d(total_channels, flow_feature_dim, kernel_size1)torch_model.py。其中CNN 路径total_channels sum(out_dims) * num_scalesDINOv2 路径total_channels embed_dim * 3 * num_scales。该 1×1 卷积即文档所称adapter module负责把数百维的融合特征压缩到flow_feature_dim默认 128是控制计算量与流表达能力的关键旋钮。4. 单个归一化流与耦合块流主体是 FrEIA 的SequenceINN(flow_feature_dim, *fused_spatial_size)堆叠flow_steps个 AllInOneBlock 耦合块源码来自 FrEIAAnomalib 内嵌实现。子网由_build_subnet_constructor构造Conv2d → Conv2d → BatchNorm2d → LeakyReLU(0.2)隐层通道数为flow_hidden_dim。正向传播得到(hidden_variables, log_jacobians)训练时返回二者用于 NLL 损失推理时继续走异常图生成。5. 损失函数负对数似然PatchflowLoss 实现z_flat hidden_variables.reshape(B, -1) loss mean(0.5 * sum(z_flat**2, dim1) - jacobians) / z_flat.shape[1]即标准的归一化流负对数似然损失并按展平后的特征维度归一化。training_step中通过self.log(train_loss, ...)记录lightning_model.py。6. 异常图生成与预测分数AnomalyMapGenerator 对隐变量计算log_prob -0.5 * mean(hidden**2)后取exp再取负并双线性插值到目标尺寸得到异常热图log_prob -torch.mean(hidden_variables**2, dim1, keepdimTrue) * 0.5 prob torch.exp(log_prob) return F.interpolate(-prob, sizeself.input_size, modebilinear, align_cornersFalse)推理时torch_model.py 的forward先取热图空间最大值作为图像级pred_score若因crop_size或 DINOv2 patch 对齐导致热图尺寸小于输入则用-1常量填充回原始输入尺寸F.pad(..., value-1)保证可视化对齐。配置参数详解PatchFlow 的全部可调参数定义在 Patchflow Lightning 模块构造函数 中下表逐一说明默认值即源码默认参数默认值含义与影响backbonetf_efficientnet_b5骨干网络timm 模型名或 DINOv2 名如vit_base_patch14_dinov2pre_trainedTrue是否加载预训练骨干权重建议保持开启flow_steps1流中耦合块数量越多表达能力越强但计算量越大flow_feature_dim128特征适配器输出的通道数1×1 卷积目标通道num_scales3多尺度提取的分辨率档数1×、0.5×、0.25×…patch_size3AvgPool 局部聚合的核大小控制邻域感知范围flow_hidden_dim128流子网的隐藏通道数crop_sizeNone可选中心裁剪尺寸(H, W)裁剪后异常图以-1填充回原始输入尺寸lr0.001Adam 优化器学习率weight_decay0.0001Adam 优化器 L2 权重衰减训练器层面还通过trainer_arguments固定gradient_clip_val0与num_sanity_val_steps0lightning_model.py。官方配置示例对比仓库提供了两套开箱即用的配置反映了 CNN 与 DINOv2 两条路线的参数差异dino.yamlbackbone: vit_base_patch14_dinov2flow_steps: 2、flow_hidden_dim: 64、num_scales: 2、patch_size: 5、crop_size: [252, 252]、lr: 0.0002、weight_decay: 0.00001efficientnet.yamlbackbone: tf_efficientnet_b5flow_steps: 1、flow_hidden_dim: 128、num_scales: 3、patch_size: 3、lr: 0.001、weight_decay: 0.0001。两份配置均设定max_epochs: 200并挂载EarlyStoppingpatience: 10监控image_AUROCmode: max。对比可见DINOv2 配置使用更小的学习率、更深的流2 个耦合块与更少的尺度数并显式指定crop_sizeEfficientNet 配置则保持文档默认风格。关于 crop_size 与 DINOv2 patch 对齐DINOv2 的 patch size 为 14输入尺寸必须能被 14 整除。源码中有两重保障torch_model.py显式传入crop_size如(252, 252)252 可被 14 整除时先中心裁剪再做特征提取热图随后填充回原尺寸未传crop_size但输入不可被 14 整除时_internal_size会被自动向下取整到最近的 patch 对齐尺寸并启用自动裁剪此时crop_size被改写为对齐后尺寸。因此官方 Python API 示例中Patchflow(backbonevit_base_patch14_dinov2, crop_size(252, 252))的注释crop_size ensures the input is center-cropped to a compatible size正是对这一机制的说明。训练与推理CLI 方式官方文档给出的 CLI 命令如下。使用 DINOv2 骨干训练anomalib train --config examples/configs/model/patchflow/dino.yaml --data MVTecAD --data.category bottle使用 EfficientNet 骨干训练anomalib train --config examples/configs/model/patchflow/efficientnet.yaml --data MVTecAD --data.category bottle命令要点--config指向 examples/configs/model/patchflow/ 下的 YAML模型超参与训练器回调均在其中声明--data MVTecAD --data.category bottle以命令行覆盖方式指定数据集与类别bottle 为 MVTec AD 中的标准类别便于快速在单类别上验证训练过程中的验证/测试阶段会自动计算指标见下文并支持 EarlyStopping 提前收敛。训练与推理Python API 方式官方文档 Usage 章节 给出的 Python 用法如下from anomalib.data import MVTecAD from anomalib.models import Patchflow from anomalib.engine import Engine datamodule MVTecAD(categorybottle) # DINOv2 requires input dimensions divisible by its patch size (14). # crop_size ensures the input is center-cropped to a compatible size. model Patchflow(backbonevit_base_patch14_dinov2, crop_size(252, 252)) engine Engine() engine.fit(model, datamoduledatamodule) predictions engine.predict(model, datamoduledatamodule)解读与注意事项MVTecAD(categorybottle)直接构造数据模块与 CLI 的--data MVTecAD --data.category bottle等价构造Patchflow时必须能解析出输入尺寸否则会抛出ValueError(Patchflow needs input size to build torch model.)见 lightning_model.py因此请确保datamodule已提供图像尺寸默认预处理为Resize((768, 768), antialiasTrue) ImageNet 均值方差归一化configure_pre_processor与官方论文 Section 4.3 及原仓库 transforms 一致当使用 DINOv2 骨干时即便不手传crop_size模型也会自动中心裁剪到 patch 对齐尺寸训练后直接engine.predict返回每个样本的pred_score与anomaly_mapInferenceBatch可用于缺陷定位与可视化。若希望沿用Engine的完整管线AnomalibModule基类base已自动装配预处理器、后处理器、评估器与可视化器。评估指标configure_evaluatorlightning_model.py为 PatchFlow 配置了验证阶段图像级 AUROCimage_AUROC 像素级 AUROCpixel_AUROC测试阶段图像级 AUROC、图像级 F1、像素级 AUROC、像素级 F1。对应 EarlyStopping 默认监控image_AUROC。其中pred_score图像级取自异常热图最大值anomaly_map像素级为热图本身gt_label/gt_mask来自数据集的真实标注。源码中的自检单元测试印证仓库为 PatchFlow 提供了完整的单元测试覆盖tests/unit/models/image/patchflow/可作为复现与调试的参照test_lightning_model.py验证learning_type ONE_CLASS、training_step返回标量 loss 且非 NaN使用resnet18小骨干 小参数快速构建test_torch_model.py、test_torch_model_dino.py验证 CNN 与 DINOv2 两条前向路径及crop_size/padding 行为test_anomaly_map.py验证异常热图形状与插值test_loss.py验证 NLL 损失计算。从论文到代码的对应关系如需在自己的研究或工程中引用 PatchFlow官方文档提供了 BibTeXarticle{Zhang2026PatchFlowLA, title{PatchFlow: Leveraging a Flow-Based Model with Patch Features}, author{Boxiang Zhang and Baijian Yang and Xiaoming Wang and Corey Vian}, journal{ArXiv}, year{2026}, volume{abs/2602.05238}, url{https://api.semanticscholar.org/CorpusID:285303490} }对照本文可发现论文中的局部邻域感知 Patch 特征对应AvgPool2d聚合patch_size参数adapter module对应 1×1feature_adaptorflow_feature_dim参数bottlenecked coupling对应AllInOneBlock中带BatchNorm2d/LeakyReLU的卷积子网结构。小结一条可复现的 PatchFlow 上手路径快速体验用anomalib train --config examples/configs/model/patchflow/efficientnet.yaml --data MVTecAD --data.category bottle跑通默认流程尝试 DINOv2切换到 dino.yaml注意crop_size需满足 14 整除约束调参方向精度不足时增大flow_steps/flow_hidden_dim/num_scales过拟合或显存紧张时减小num_scales、patch_size或调低lr进阶阅读深入 torch_model.py 与 all_in_one_block.py 理解流实现细节用单元测试验证改动行为。【免费下载链接】anomalibAn anomaly detection library comprising state-of-the-art algorithms and features such as experiment management, hyper-parameter optimization, and edge inference.项目地址: https://gitcode.com/GitHub_Trending/an/anomalib创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考