少样本异常检测新SOTA！DriftAD让CLIP文本提示“动”起来，1-shot性能全面领先
DriftAD: Visually-Guided Text Drift for Few-Shot Industrial Anomaly Detection
📖 AI 总结
该论文提出了一种名为DriftAD的少样本工业异常检测框架，旨在解决现有基于视觉-语言模型（如CLIP）方法中静态文本提示无法适应局部和尺度变化缺陷的问题。框架包含三个核心模块：异常信号放大模块通过空间与频率分支增强微弱缺陷信号；视觉引导文本漂移模块根据各编码器层的局部视觉上下文，动态调整冻结的CLIP文本嵌入，生成逐层且空间自适应的异常描述符；漂移引导空间门控模块利用漂移后的异常描述符作为空间探针，选择性增强与异常相关的视觉特征。此外，研究还引入漂移分离损失和门控监督损失以防止表征坍缩并提升空间判别力。在MVTec AD和VisA数据集上的实验表明，该方法在1、2、4样本设置下的图像级和像素级指标均达到最优性能。该研究为工业质检中数据稀缺场景下的异常检测提供了新思路。
🔑 关键词速览
| Few-shot anomaly detection (FSAD) | 少样本异常检测，旨在仅用少量正常样本训练模型以检测异常。 |
| CLIP | 对比语言-图像预训练模型，通过对齐视觉和文本特征实现跨模态理解。 |
| Visually-Guided Text Drift (VGTD) | 视觉引导的文本漂移，根据局部视觉上下文动态调整文本嵌入以生成自适应异常描述符。 |
| Anomaly Signal Amplification (ASA) | 异常信号放大模块，通过空间和频率分支增强细微缺陷信号。 |
| Drift-Guided Spatial Gating (DGSG) | 漂移引导的空间门控，利用漂移后的异常描述符作为空间探针选择性增强异常相关特征。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅