PromptAD：仅使用正常样本学习提示以进行少样本异常检测
计算机视觉与模式识别
2024-07-17 v2
摘要
视觉-语言模型为少样本工业异常检测带来了巨大改进，这通常需要通过提示工程设计数百个提示。对于自动化场景，我们首先使用具有多类范式的常规提示学习作为基线来自动学习提示，但发现它在单类异常检测中无法良好工作。为了解决上述问题，本文提出了一种用于少样本异常检测的单类提示学习方法，称为 PromptAD。首先，我们提出了语义拼接，可以通过将正常提示与异常后缀拼接，将正常提示转换为异常提示，从而构建大量负样本，用于指导单类设置下的提示学习。此外，为了缓解因缺乏异常图像而导致的训练挑战，我们引入了显式异常边界的概念，用于通过超参数显式控制正常提示特征与异常提示特征之间的边界。对于图像级/像素级异常检测，PromptAD 在 MVTec 和 VisA 数据集上的 12 个少样本设置中的 11 个取得了第一名。
引用
@article{arxiv.2404.05231,
title = {PromptAD: Learning Prompts with only Normal Samples for Few-Shot Anomaly Detection},
author = {Xiaofan Li and Zhizhong Zhang and Xin Tan and Chengwei Chen and Yanyun Qu and Yuan Xie and Lizhuang Ma},
journal= {arXiv preprint arXiv:2404.05231},
year = {2024}
}
备注
Accepted by CVPR2024