基于视觉提示的单样本缺陷分割的循环一致性不确定性估计

工业缺陷检测传统上依赖于在已知缺陷类型的固定数据集上训练的监督学习模型。虽然这些模型在封闭集内有效，但在面对新的、未见过的缺陷时会遇到困难，需要频繁重新标注和重新训练。视觉提示的最新进展提供了一种解决方案，允许模型根据提供的视觉线索自适应地推断新类别。然而，这些方法中普遍存在的一个问题是过度自信问题，即模型可能会以高确定性将未知物体误分类为已知物体。为了解决关于适应性的根本问题，我们提出了一种通过循环一致性来估计视觉提示过程不确定性的解决方案。我们设计检查它是否能从其预测中准确恢复原始提示。为了量化这一点，我们测量恢复的提示掩码与最初提供的提示掩码之间的平均交并比（mIoU）。无需使用复杂的设计或具有多个网络的集成方法，我们的方法在 VISION24 单样本工业挑战赛中实现了 0.9175 的良品率。