有限辅助异常先验下的鲁棒零样本异常检测

零样本异常检测旨在识别任意新领域中的缺陷；然而，现有模型假设辅助数据包含丰富的异常多样性，忽略了现实世界目标域中更加复杂和不可预测的变化。本研究引入了 DIVE，这是第一种研究有限辅助异常先验场景并解决由此导致的性能大幅下降的方法。通过视觉编码期间浅层和深层的文本嵌入注入策略，DIVE 学习抽象跨辅助训练域和不同目标域共享的通用异常概念。此外，我们提出了一种解缠结机制来解决与对象语义纠缠的视觉嵌入和与对象无关的文本提示之间的次优对齐。实验表明，在辅助数据中有限异常模式的设置下，就 12 个数据集的平均性能而言，DIVE 在两个分类指标上比 SOTA 基线高出 16.2% 和 28.5%，在三个分割指标上比 SOTA 基线高出 23.4%、24.1% 和 47.0%。此外，当辅助数据表现出足够的异常多样性时，它保持高度竞争的性能。