鲁棒性与安全 / CVPR2026
UniMMAD：基于 MoE 驱动特征解压的统一多模态多类异常检测
UniMMAD: Unified Multi-Modal and Multi-Class Anomaly Detection via MoE-Driven Feature Decompression
把 MoE 稀疏门控用于「通用特征→模态/类别特异特征」的解压式重建，为视觉异常检测提供了一种用单一模型覆盖多模态多类、且避免共享解码路径域干扰的可复用范式；分组动态过滤与 MoE-in-MoE 的约 75% 参数压缩思路也可迁移到其他多域统一建模任务。
多模态异常检测混合专家特征解耦