尊重模态间隙：基于预训练视觉语言模型的后验异常分布检测
计算机视觉与模式识别
2026-05-27 v1 人工智能
摘要
异常分布（OOD）检测已成为提高机器学习模型可靠性的流行技术，通过识别来自未知类别的意外输入来实现。在此设置下，现有的后训练方法常常将文本嵌入的类别名称视为类别原型。本文挑战了广泛采用的文本作为原型范式，理论上表明即便是即插即用文本原型也通常与最优视觉原型不对齐，从而导致无法通过提示工程消除的固有模态间隙。在后验约束下，本文提出了一种在线伪监督框架，直接使用来自无标签测试时间数据流和来自预训练视觉语言模型的软预测，在视觉特征空间中学习类别原型。我们为在线优化程序的收敛提供了理论保证。广泛的实验 empirically 证明，我们的方法在各种 OOD 检测设置下实现了新的最佳水平。
引用
@article{arxiv.2605.26661,
title = {Respecting Modality Gap in Post-hoc Out-of-distribution Detection with Pre-trained Vision-Language Models},
author = {Yuanwei Hu and Bo Peng and Yadan Luo and Zhen Fang and Ling Chen and Jie Lu},
journal= {arXiv preprint arXiv:2605.26661},
year = {2026}
}