arXiv cs.AI· Mengyang Zhao, Teng Fu, Haiyang Yu, Ke Niu, Bin Li, Xiangyang Xue·· 10 天前AI 评分22
Anchor and Adapt：面向少样本工业异常检测的非对称提示词自适应框架
Anchor and Adapt: Asymmetric Prompt Adaptation for Few-Shot Industrial Anomaly Detection
AI 导读
研究者提出 Anchor and Adapt 两阶段提示词学习框架，将异常语义获取与目标正常外观自适应分离：Stage I 从标注辅助数据学习可迁移的正常与异常锚点，Stage II 固定锚点并用少量目标正常样本自适应额外正常分支，无需合成异常生成。在 MVTec-AD 与 VisA 跨数据集 1-shot、2-shot、4-shot 设置下取得有竞争力的检测与定位性能。
正文 · AI 翻译
摘要：在少样本工业异常检测中，少量正常目标图像不提供直接的缺陷监督，使得仅凭这些样本难以学习异常提示。因此，一些视觉-语言方法使用人工指定的描述来提供显式的异常语义。然而，构建这些描述需要针对具体产品投入精力，且其有效性取决于提示的选择。我们提出 Anchor and Adapt，一个两阶段提示学习框架，将异常语义的获取与对目标正常外观的适配分离开来。第一阶段从带标注的辅助数据中学习可迁移的正常和异常锚点。第二阶段保持这些锚点固定，并使用少量目标正常样本适配一个额外的正常分支。继承的正常分支与适配的正常分支共同刻画目标正常性，并通过文本锚点正则化鼓励其与通用正常先验保持一致并与异常锚点分离。该设计在保留已学到的异常知识的同时，减少了对类别特定异常模板的依赖，且无需合成异常生成。在 1、2 和 4 样本设置下，MVTec-AD 与 VisA 之间的跨数据集实验展示了具有竞争力的检测与定位性能。受控消融实验评估了迁移锚点、非对称适配、双正常表示和锚点正则化的作用。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.07016 [cs.CV] |
| （或 arXiv:2610.07016v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.07016 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Mengyang Zhao [查看邮箱]
[v1]
2026年10月4日星期日 14:27:12 UTC（1,172 KB）
来源：arXiv cs.AI · arxiv.org