少样本工业异常检测新框架：锚定与自适应，无需缺陷样本也能精准识别！
Anchor and Adapt: Asymmetric Prompt Adaptation for Few-Shot Industrial Anomaly Detection
📖 AI 总结
该论文针对少样本工业异常检测中异常提示难以从少量正常样本学习的问题，提出了一种名为“锚定与适配”的两阶段提示学习框架。第一阶段从带标注的辅助数据中学习可迁移的正常与异常锚点，第二阶段固定这些锚点，并利用少量目标正常样本适配额外的正常分支。继承与适配的正常分支共同刻画目标正常性，文本锚点正则化则促使适配分支与通用正常先验保持一致并与异常锚点分离。该设计在保留已学异常知识的同时，降低了对类别特定异常模板的依赖，且无需合成异常样本。在MVTec-AD与VisA之间的跨数据集实验中，该方法在1、2、4样本设置下取得了具有竞争力的检测与定位性能，消融实验进一步验证了各模块的作用。
🔑 关键词速览
| 少样本工业异常检测 | 在只有少量正常样本的情况下，检测工业产品图像中异常区域的任务。 |
| 视觉-语言方法 | 结合视觉和文本信息进行学习与推理的模型方法，常用于零样本/少样本任务。 |
| 提示学习 | 通过设计可学习的提示（prompt）来适配预训练模型到下游任务的技术。 |
| 锚点 | 在特征空间中代表正常或异常语义的固定参考向量。 |
| 非对称自适应 | 仅对正常分支进行自适应调整，而保持异常锚点不变的学习策略。 |
📱 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