DictAS：基于字典查找的通用类少样本异常分割框架
计算机视觉与模式识别
2025-08-22 v2
摘要
近年来，视觉语言模型（如CLIP）在少样本异常分割（FSAS）中展现出对未见类别的类间通用能力，利用监督式提示学习或在已知类别上进行微调。然而，这类方法的跨类别泛化大大依赖对真实已知异常样本的先验知识。本文提出一种新框架DictAS，通过自监督学习将字典查找能力迁移到FSAS任务中，以实现对未知目标类别的异常检测，无需在目标数据上重新训练，仅需少量正常参考图像作为视觉提示。DictAS的核心思想是通过自监督学习实现字典查找，而非仅仅记忆训练集中正常与异常特征模式。具体而言，DictAS主要包含三个组件：（1）字典构建——利用正常参考图像的特征模拟真实字典的索引与内容；（2）字典查找——通过稀疏查找策略检索查询区域的特征；当查询特征无法被检索时，即判定为异常；（3）查询判别正则化——通过使异常特征更难从字典中检索来增强异常判别能力。进一步提出了对比查询约束和文本对齐约束。在七个公开的工业和医疗数据集上进行的广泛实验表明，DictAS consistently优于当前最先进的FSAS方法。
引用
@article{arxiv.2508.13560,
title = {DictAS: A Framework for Class-Generalizable Few-Shot Anomaly Segmentation via Dictionary Lookup},
author = {Zhen Qu and Xian Tao and Xinyi Gong and ShiChen Qu and Xiaopei Zhang and Xingang Wang and Fei Shen and Zhengtao Zhang and Mukesh Prasad and Guiguang Ding},
journal= {arXiv preprint arXiv:2508.13560},
year = {2025}
}
备注
Accepted by ICCV 2025, Project: https://github.com/xiaozhen228/DictAS