FastRef：面向少样本工业异常检测的快速原型细化
高能物理 - 唯象学
2025-12-24 v2 宇宙学与河外天体物理
广义相对论与量子宇宙学
摘要
少样本工业异常检测（Few-shot Industrial Anomaly Detection, FS-IAD）是数据稀缺环境下实际自动化检验系统面临的关键挑战。现有方法主要关注从有限的正常样本中导出原型，却未系统性地融入查询图像的统计信息以提升原型的代表性。为此，我们提出 FastRef，一种新型且高效的 FS-IAD 原型细化框架。该方法通过两个阶段实现迭代式原型细化：（1）通过可优化的变换矩阵将查询特征的特征传递到原型上；（2）通过原型对齐抑制异常。特征传递通过对查询特征从原型进行线性重构实现，而异常抑制针对 FS-IAD 的一个关键观察：与常规 IAD 依赖大量正常原型不同，少样本情境下异常特征的重构更为常见。因此，我们采用最优传输（OT）来度量并最小化原型与其细化后版本之间的差距，以实现异常抑制。为充分评估，我们将 FastRef 与三类竞争性的原型-based FS-IAD 方法（PatchCore、FastRecon、WinCLIP、AnomalyDINO）集成。广泛的实验在 MVTec、ViSA、MPDD 和 RealIAD 四大基准数据集上表明，本方法在 1/2/4-shot 场景下具备良好的有效性和计算效率。
引用
@article{arxiv.2506.21397,
title = {Multifaceted Supercooling: From PTA to LIGO},
author = {Satyabrata Datta and Rome Samanta},
journal= {arXiv preprint arXiv:2506.21397},
year = {2025}
}
备注
27 pages, 11 figures, added new Appendix A on temperature-dependent relativistic degrees of freedom; revised Appendices B and C; updated discussion and references, matches the JHEP version