增强零样本异常检测：CLIP-SAM协作与级联提示
计算机视觉与模式识别
2025-10-14 v1
摘要
最近，基础模型所展现的强大泛化能力为零样本异常分割任务带来了新解。然而，正确引导这些基础模型以解决下游任务仍然是一个挑战。本文提出一种新型两阶段框架，用于工业异常检测的零样本异常分割。该框架充分利用CLIP的强大异常局部分辨能力和SAM的边界感知能力。（1）为缓解SAM倾向于对象分割的倾向，我们提出了Co-Feature点提示生成（PPG）模块。该模块协同利用CLIP和SAM生成正负点提示，引导SAM聚焦于分割异常区域而非整个对象。（2）为进一步优化SAM的分割结果，缓解粗糙边界和孤立噪声， 我们引入级联提示（CPS）模块。该模块采用与SAM轻量解码器级联的混合提示，实现对异常区域的精确分割。在多个数据集上进行一致的实验验证表明，我们的方法在零样本异常分割方面实现了最先进的效果。尤其值得注意的是，在Visa数据集上，我们在{-max}和AP指标上分别超过最先进方法了10.3%和7.7%。
引用
@article{arxiv.2510.11028,
title = {Enhancing Zero-Shot Anomaly Detection: CLIP-SAM Collaboration with Cascaded Prompts},
author = {Yanning Hou and Ke Xu and Junfa Li and Yanran Ruan and Jianfeng Qiu},
journal= {arXiv preprint arXiv:2510.11028},
year = {2025}
}
备注
Accepted by PRCV