SSVP：面向工业零样本异常检测的协同语义-视觉提示
计算机视觉与模式识别
2026-01-21 v2 人工智能
摘要
零样本异常检测（Zero-Shot Anomaly Detection, ZSAD）利用视觉-语言模型（Vision-Language Models, VLMs）实现免监督的工业检测。然而，现有的 ZSAD 范式受限于单一视觉主干，难以平衡全局语义泛化能力与细粒度结构判别能力。为了弥合这一差距，我们提出了协同语义-视觉提示（Synergistic Semantic-Visual Prompting, SSVP），其高效融合了多种视觉编码以提升模型的细粒度感知能力。具体而言，SSVP 引入了分层语义-视觉协同（Hierarchical Semantic-Visual Synergy, HSVS）机制，将 DINOv3 的多尺度结构先验深度整合到 CLIP 语义空间中。随后，视觉条件提示生成器（Vision-Conditioned Prompt Generator, VCPG）采用跨模态注意力来引导动态提示生成，使语言查询能够精确锚定到特定的异常模式。此外，为了解决全局评分与局部证据之间的差异，视觉-文本异常映射器（Visual-Text Anomaly Mapper, VTAM）建立了一种双重门控校准范式。在七个工业基准上的广泛评估验证了我们方法的鲁棒性；SSVP 在 MVTec-AD 上取得了 93.0% Image-AUROC 和 92.2% Pixel-AUROC 的 SOTA 性能，显著优于现有的零样本方法。
引用
@article{arxiv.2601.09147,
title = {SSVP: Synergistic Semantic-Visual Prompting for Industrial Zero-Shot Anomaly Detection},
author = {Chenhao Fu and Han Fang and Xiuzheng Zheng and Wenbo Wei and Yonghua Li and Hao Sun and Xuelong Li},
journal= {arXiv preprint arXiv:2601.09147},
year = {2026}
}