通过混合提示正则化无需训练地分割任意异常
计算机视觉与模式识别
2025-02-17 v1 人工智能
摘要
我们提出一种新框架，即Segment Any Anomaly +（SAA+），用于零样本异常分割，并采用混合提示正则化以提升现代基础模型的适应性。现有异常分割模型通常依赖领域特定微调，限制了其在无数异常模式上的泛化能力。受Segment Anything等基础模型强大零样本泛化能力启发，我们首次探索其组装以利用多样多模态先验知识进行异常定位。针对非参数基础模型向异常分割的适配，我们进一步引入源自领域专家知识与目标图像上下文的混合提示作为正则化。我们提出的SAA+模型在零样本设定下于包括VisA、MVTec-AD、MTD和KSDD2在内的多个异常分割基准上取得了最先进（state-of-the-art）性能。代码将发布于\href{https://github.com/caoyunkang/Segment-Any-Anomaly}{https://github.com/caoyunkang/Segment-Any-Anomaly}。
引用
@article{arxiv.2305.10724,
title = {Segment Any Anomaly without Training via Hybrid Prompt Regularization},
author = {Yunkang Cao and Xiaohao Xu and Chen Sun and Yuqi Cheng and Zongwei Du and Liang Gao and Weiming Shen},
journal= {arXiv preprint arXiv:2305.10724},
year = {2025}
}
备注
The first two authors contribute equally. The code will be available on https://github.com/caoyunkang/Segment-Any-Anomaly