DevPrompt：基于偏差的提示学习用于单正常样本图像异常检测
计算机视觉与模式识别
2026-01-23 v1
摘要
少正常样本异常检测 (FNSAD) 旨在仅使用少量正常训练样本检测图像中的异常区域，由于监督信息有限且潜在缺陷具有多样性，该任务极具挑战性。近期方法利用 CLIP 等视觉-语言模型结合基于提示的学习来对齐图像与文本特征。然而，现有方法在正常与异常提示之间通常判别力较弱，且缺乏针对块级异常的原则性评分机制。我们提出了一种偏差引导的提示学习框架，将视觉-语言模型的语义能力与基于偏差评分的统计可靠性相结合。具体而言，我们用跨正常和异常提示共享的可学习上下文向量替换固定的提示前缀，同时异常特定的后缀标记实现了类感知对齐。为了增强可分离性，我们引入了带有 Top-K 多示例学习 (MIL) 的偏差损失，将块级特征建模为偏离正态分布的高斯偏差。这使得网络能够为具有统计显著偏差的图像块分配更高的异常分数，从而提升定位能力和可解释性。在 MVTecAD 和 VISA 基准上的实验表明，相较于 PromptAD 及其他基线方法，本方法具有更优的像素级检测性能。消融实验进一步验证了可学习提示、基于偏差的评分以及 Top-K MIL 策略的有效性。
引用
@article{arxiv.2601.15453,
title = {DevPrompt: Deviation-Based Prompt Learning for One-Normal ShotImage Anomaly Detection},
author = {Morteza Poudineh and Marc Lalonde},
journal= {arXiv preprint arXiv:2601.15453},
year = {2026}
}
备注
8 pages