指称性工业异常分割
计算机视觉与模式识别
2026-02-04 v1
摘要
工业异常检测 (IAD) 对制造业至关重要，但传统方法面临诸多挑战：无监督方法产生粗糙的局部分辨，需要手动阈值；而监督方法则因数据稀缺和不平衡而容易过拟合。两者都 suffer 从 "一种异常类,一个模型" 的局限性。在此基础上，我们提出指称性工业异常分割 (RIAS)，一种利用语言引导检测的范式。RIAS 可从文本描述生成精确掩码，而无需手动阈值，并使用通用提示词检测多样化异常，单模型即可实现。我们引入 MVTec-Ref 数据集以支持这一工作，设计具有多样化指称表达，聚焦异常模式，尤其包含 95% 小异常。我们还提出了带有掩码组 Transformer 的 Dual Query Token (DQFormer) 基准，增强了 Language-Gated Multi-Level Aggregation (LMA) 以提高多尺度分割。与传统方法使用冗余查询不同，DQFormer 仅使用 "异常" 和 "背景" 两个 token 以实现高效的视觉-文本集成。实验表明，RIAS 在推动 IAD 向开放集能力方面具有有效性。代码: https://github.com/swagger-coder/RIAS-MVTec-Ref。
引用
@article{arxiv.2602.03673,
title = {Referring Industrial Anomaly Segmentation},
author = {Pengfei Yue and Xiaokang Jiang and Yilin Lu and Jianghang Lin and Shengchuan Zhang and Liujuan Cao},
journal= {arXiv preprint arXiv:2602.03673},
year = {2026}
}