Flow Mismatching: Unsupervised Anomaly Detection via Velocity Discrepancies in Flow Matching Models

We propose Flow Mismatching, an unsupervised anomaly detection method that deliberately avoids reconstruction-based paradigms. Instead, we treat flow matching as geometric dynamics and leverage a key insight: anomalies occur at places where the learned normal flow disagrees with the geometric path toward a test image. Given a flow matching model trained only on normal images, we probe its learned velocity field along affine paths from Gaussian noise to a target image. Along each path, we compare the model-predicted velocity, which follows normal generative dynamics, with the geometric velocity toward the target, which includes any anomalous content. Anomalies induce strong local disagreement between these velocities. Aggregating the mismatch over different time steps and multiple paths yields pixel-wise heatmaps and image-level scores without test-time optimization, feature memories, or additional calibration. Our analysis shows that the population mismatch decomposes into an irreducible denoising term and a Fisher-divergence term between the test-path and normal-path score functions, which identifies the score-gap component that drives anomaly separation and explains the effectiveness of robust path aggregation. Extensive experiments on MVTec-AD and VisA demonstrate superior performance compared with SOTA reconstruction-based and recent flow matching-based approaches.

📋 한 줄 요약

**[비지도 이상 탐지 / Flow Matching]** Flow Mismatching이 정상 학습된 flow matching의 학습 velocity와 target 방향 geometric velocity의 affine path mismatch로 anomaly 탐지, MVTec-AD·VisA에서 SOTA reconstruction·flow 기반 능가.

🎯 핵심 기여도

Flow Mismatching 제안 — 비지도 anomaly detection 방법으로 reconstruction 기반 paradigm을 의도적으로 회피, flow matching을 geometric dynamics로 다뤄 학습된 정상 flow가 test image로의 geometric path와 disagree하는 곳에서 anomaly가 발생한다는 통찰을 활용.
정상 image만으로 학습된 flow matching model에 대해 Gaussian noise→target image의 affine path를 따라 velocity field를 probe — 정상 generative dynamics를 따르는 model-predicted velocity와 anomaly content를 포함하는 target 방향 geometric velocity 비교.
Anomaly가 두 velocity 간 강한 local disagreement 유발, 시간 step과 multiple path에서 mismatch 집계로 픽셀별 heatmap·이미지별 score 산출 — test-time optimization·feature memory·추가 calibration 불필요.
분석으로 population mismatch가 irreducible denoising term과 test-path·normal-path score function 간 Fisher-divergence term으로 분해됨을 보임, anomaly separation을 견인하는 score-gap component 식별과 robust path aggregation의 효과 설명.

💡 핵심 아이디어

정상 이미지로 학습된 flow matching model의 velocity field가 anomalous content를 포함한 target으로의 geometric velocity와 disagree하는 지점에 anomaly가 위치하며, affine path를 따라 velocity mismatch를 측정·집계하면 test-time optimization 없이 anomaly가 자연스럽게 분리된다.

🔬 기술적 접근법

**방법론**: Flow Mismatching — velocity discrepancy 기반 비지도 anomaly detection.
**핵심 기법**: (1) 정상 image로만 flow matching 학습, (2) Gaussian noise→target image의 affine path 따라 velocity probe, (3) Model-predicted velocity vs geometric velocity 비교·local disagreement 측정, (4) Multiple time step·multiple path 집계로 픽셀 heatmap·이미지 score, (5) Population mismatch의 irreducible denoising + Fisher-divergence 분해 분석.

📊 주요 결과

MVTec-AD·VisA에서 SOTA reconstruction 기반과 최근 flow matching 기반 접근 능가.
Test-time optimization·feature memory·calibration 모두 불요.
픽셀 heatmap과 이미지 score를 통일 산출.
이론 분석으로 score-gap component가 separation 견인 입증.

💭 의의 및 한계

**의의**: Reconstruction paradigm 의존 없는 새로운 flow matching 기반 anomaly detection, 이론·실험 양면 결합, test-time overhead 없는 inference로 실용성. **한계**: Affine path 가정의 표현력 의존, multiple path 집계의 계산 비용, 매우 미세·structural anomaly에 대한 sensitivity 검증 필요.

🚀 실용적 활용

산업 표면 결함 탐지.
의료영상 이상 검출.
생성 모델 기반 비지도 결함 검사 일반.