LiZAD：用于工业制造的轻量级零样本异常检测框架

在现代高通量工业生产线中，产品配置和视觉特征经常发生变化，因此为每个新场景收集和注释数据是不切实际的。这种动态设置使得零样本异常检测 (ZSAD) 特别合适，因为它无需对特定目标样本进行训练即可实现缺陷检测。尽管最近的 ZSAD 方法显示出有希望的结果，但它们的计算量很大，因此不适合部署在资源受限的设备上。 We propose LiZAD: a lightweight framework designed for real-time ZSAD specifically tailored for use on edge devices.所提出的方法将 DINOv3 的密集且空间感知的视觉特征（对于精确的像素级定位至关重要）与 MobileCLIP2 的高计算效率文本嵌入结合起来。然后，这些特征通过低内存可训练投影头映射到共享潜在空间。与六种最先进的 ZSAD 模型相比，LiZAD 平均内存减少了 61.5%，参数减少了 74.6%，延迟加速了 3.02 倍。尽管计算和内存成本大幅降低，但我们的方法保持了具有竞争力的异常检测性能，相对于 VisA、BTAD、MPDD 和 MVTec-AD 数据集的最佳最先进模型，平均 P-AUROC 仅下降了 6.4%。最后成功部署在NVIDIA Jetson NX和Jetson AGX边缘设备上，并在维罗纳大学工业计算机工程实验室（ICE Lab）的真实生产线上进行了测试。该代码可从 https://github.com/intelligolabs/LiZAD 获取。