面向零样本异常检测的细粒度异常提示学习
计算机视觉与模式识别
2025-10-06 v2
摘要
当前零样本异常检测（ZSAD）方法在无需使用数据特定训练或示例的情况下，表现出色地利用大规模预训练视觉语言模型检测目标数据集中的异常。然而，这些方法往往专注于捕捉异常粗粒度语义，如“损坏”“不完美”或“劣质”对象等高层语义，因而在识别多样化异常细节方面能力有限。为此，本文提出FAPrompt（Fine-grained Abnormality Prompt），一个新型框架，用于学习准确的零样本异常检测所需的细粒度异常提示。为此，引入了新的复合异常提示学习（CAP）模块，以学习一组互补、分解的异常提示，确保异常提示模型化由同一正常语义派生的多样化异常模式。另一方面，细粒度异常模式因数据集不同而异。为提升跨数据集泛化性，进一步引入数据依赖异常先验学习（DAP）模块，从每个测试图像的异常特征中学习样本级异常先验，动态适应异常提示以适应个别测试图像。我们在覆盖工业缺陷和医学异常的19个真实数据集上进行了全面实验，证明FAPrompt在图像级和像素级零样本异常检测任务中均显著优于当前最先进的方法。代码已公开：https://github.com/mala-lab/FAPrompt。
引用
@article{arxiv.2410.10289,
title = {Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection},
author = {Jiawen Zhu and Yew-Soon Ong and Chunhua Shen and Guansong Pang},
journal= {arXiv preprint arXiv:2410.10289},
year = {2025}
}
备注
Accepted to ICCV 2025; 11 pages, 3 figures