面向少样本病理异常检测的层次化适配与对齐框架
计算机视觉与模式识别
2026-01-27 v1
摘要
精密病理学依赖于检测特定感兴趣区域(ROI)内的细粒度形态异常，因为这些局部、纹理丰富的线索——而非整张切片的背景——驱动专家诊断推理。虽然视觉语言(V-L)模型通过利用语义先验实现数据效率，但对它们的适应面临严重的粒度不匹配问题，即通用表征无法解析此类细微缺陷。当前的适应方法常将模态视为独立的流，无法将语义提示锚定在ROI特定的视觉上下文中。为弥合这一差距，我们提出了层次化适配与对齐框架(HAAF)。其核心是一种新颖的跨层级比例对齐(CLSA)机制，强制执行顺序校准：视觉特征首先将上下文注入文本提示以生成内容自适应描述符，然后在空间上引导视觉编码器聚焦异常。此外，双分支推理策略将语义得分与几何原型集成，以确保在少样本设置下的稳定性。在四个基准数据集上的实验表明，HAAF显著优于当前最先进的方法，并在低资源场景下有效扩展到领域特定的骨干网络(如CONCH)。
引用
@article{arxiv.2601.17405,
title = {HAAF: Hierarchical Adaptation and Alignment of Foundation Models for Few-Shot Pathology Anomaly Detection},
author = {Chunze Yang and Wenjie Zhao and Yue Tang and Junbo Lu and Jiusong Ge and Qidong Liu and Zeyu Gao and Chen Li},
journal= {arXiv preprint arXiv:2601.17405},
year = {2026}
}