GenCLIP：用于零样态异常检测的通用 CLIP 提示符
计算机视觉与模式识别
2026-03-09 v1
摘要
零样态异常检测（ZSAD）旨在通过利用 CLIP 的零样态能力匹配文本提示符与视觉特征来识别未见类别中的异常。ZSAD 的关键挑战在于稳定地学习通用提示符并有效地利用它们，同时保持通用性和类别特异性。尽管已在先前工作中探索了通用提示符，但实现其稳定优化和有效部署仍是一个重大挑战。本文提出 GenCLIP，一种新型框架，通过多层提示符和双分支推理更有效地学习和利用通用提示符。多层提示符整合来自不同 CLIP 层的类别特定视觉线索，丰富了通用提示符的更全面且稳健的特征表示。通过将通用提示符与多层视觉特征结合，我们的方法进一步增强了其泛化能力。为平衡特异性和泛化性，我们引入双分支推理策略，其中一个视觉增强分支捕获细粒度的类别特定特征，而另一个仅使用查询的分支优先考虑泛化。来自两个分支的互补输出提高了跨未见类别的异常检测稳定性和可靠性。此外，我们提出了一个自适应文本提示符过滤机制，该机制会移除与 CLIP 训练期间未遇到的不相关或非典型类别名称，确保只有有意义的文本输入贡献于最终的视觉-语言对齐。
引用
@article{arxiv.2504.14919,
title = {GenCLIP: Generalizing CLIP Prompts for Zero-shot Anomaly Detection},
author = {Donghyeong Kim and Chaewon Park and Suhwan Cho and Hyeonjeong Lim and Minseok Kang and Jungho Lee and Sangyoun Lee},
journal= {arXiv preprint arXiv:2504.14919},
year = {2026}
}