基于双分支提示选择的零样本异常检测
计算机视觉与模式识别
2025-11-26 v3
摘要
零样本异常检测（ZSAD）仅依赖可泛化的特征而非任何异常的标注样本，即可识别和定位未见类别中的缺陷。然而，现有的 ZSAD 方法，无论是使用固定提示还是学习到的提示，在领域偏移下均表现不佳，因为其训练数据源自有限的训练领域，无法泛化到新的分布。在本文中，我们引入了 PILOT，这是一个旨在通过两项关键创新克服这些挑战的框架：（1）一种新颖的双分支提示学习机制，该机制将可学习提示池与结构化语义属性动态整合，使模型能够为每张输入图像自适应地加权最相关的异常线索；以及（2）一种无标签测试时适应策略，该策略利用来自无标签测试数据的高置信度伪标签更新可学习提示参数。在 13 个工业和医学基准上的大量实验表明，PILOT 在领域偏移下的异常检测和定位均实现了 SOTA 性能。
引用
@article{arxiv.2508.00777,
title = {Zero-Shot Anomaly Detection with Dual-Branch Prompt Selection},
author = {Zihan Wang and Samira Ebrahimi Kahou and Narges Armanfard},
journal= {arXiv preprint arXiv:2508.00777},
year = {2025}
}
备注
Accepted at BMVC 2025