CoPS：用于零样态异常检测的条件提示合成
计算机视觉与模式识别
2026-04-14 v2
摘要
最近，大型预训练视觉语言模型在零样态异常检测（ZSAD）方面显示出惊人的性能。通过在单个辅助数据集上进行微调，该模型可实现对覆盖工业缺陷和医疗病灶等多样数据集上的跨类别异常检测。与手动设计的提示相比，提示学习消除了专家知识和反复尝试的需求。然而，它仍面临以下挑战：（i）静态可学习标记难以捕捉正常和异常状态的连续且多样化模式，限制了对未见类别的泛化；（ii）固定的文本标签提供过于稀疏的类别信息，使模型容易过拟合到特定语义子空间。为解决这些问题，我们提出条件提示合成（CoPS），一种新型框架，通过视觉特征生成动态提示以提高 ZSAD 性能。具体而言，我们从细粒度 patch 特征中提取代表性正常和异常原型，并显式注入提示中，实现自适应状态建模。鉴于类别标签的稀疏性，我们利用变分自编码器建模语义图像特征并隐式地将各种类别标记融合到提示中。此外，结合我们集成的空间感知对齐机制，大量实验表明 CoPS 在 13 个工业和医疗数据集上的分类 AUROC 提升 1.4%，分割 AUROC 提升 1.9%。该代码可在 https://github.com/cqylunlun/CoPS 获取。
引用
@article{arxiv.2508.03447,
title = {CoPS: Conditional Prompt Synthesis for Zero-Shot Anomaly Detection},
author = {Qiyu Chen and Zhen Qu and Wei Luo and Haiming Yao and Yunkang Cao and Yuxin Jiang and Yinan Duan and Huiyuan Luo and Chengkan Lv and Zhengtao Zhang},
journal= {arXiv preprint arXiv:2508.03447},
year = {2026}
}
备注
Accepted by CVPR 2026 Findings