AA-CLIP：通过异常感知 CLIP 增强零样本异常检测
计算机视觉与模式识别
2025-03-11 v1 人工智能
摘要
异常检测（AD）识别异常值，用于缺陷检测和病灶检测等应用。尽管 CLIP 因其强大的泛化能力在零样本 AD 任务中展现出前景，但其固有的异常无感知性导致对正常和异常特征的区分能力有限。为了解决这个问题，我们提出了异常感知 CLIP（AA-CLIP），它在增强 CLIP 在文本和视觉空间中的异常区分能力的同时，保持了其泛化能力。AA-CLIP 通过一种简单而有效的两阶段方法实现：首先创建异常感知文本锚点以清晰区分正常和异常语义，然后将块级视觉特征与这些锚点对齐以实现精确的异常定位。这种两阶段策略在残差适配器的帮助下，以受控的方式逐步适应 CLIP，在实现有效 AD 的同时保持 CLIP 的类别知识。大量实验验证了 AA-CLIP 作为零样本 AD 任务的资源高效解决方案，在工业和医疗应用中取得了 state-of-the-art 的结果。代码可在 https://github.com/Mwxinnn/AA-CLIP 获取。
引用
@article{arxiv.2503.06661,
title = {AA-CLIP: Enhancing Zero-shot Anomaly Detection via Anomaly-Aware CLIP},
author = {Wenxin Ma and Xu Zhang and Qingsong Yao and Fenghe Tang and Chenxu Wu and Yingtai Li and Rui Yan and Zihang Jiang and S. Kevin Zhou},
journal= {arXiv preprint arXiv:2503.06661},
year = {2025}
}
备注
8 pages, 7 figures