保持针尖，修剪大海捞针：保留缺陷的词元修剪以实现高效的零样本异常检测

零样本视觉异常检测取得了显着的进展，最近的仅视觉方法进一步提高了性能，同时简化了推理流程。然而，现有的方法通常对所有图像和空间标记执行密集计算，尽管正常样本在现实世界场景中占主导地位，并且异常通常只占据很小的区域。词元剪枝提供了一个有前途的解决方案，但在异常检测中引入了不对称剪枝风险：保留正常词元主要会导致冗余计算，而删除异常词元可能会消除检测和定位的唯一证据。这种风险在早期层尤其严重，其中修剪提供了最大的计算效益，但异常语义仍然不可靠。我们提出了 KeepAD，一个保留缺陷的词元修剪框架，它将词元选择制定为高召回率、异常感知路由。在浅层中，KeepAD 将局部 $2\times2$ 补丁邻域的覆盖范围保留选择与确定性异常救援相结合，以降低丢弃细微缺陷的风险。在更深的层中，冻结的正常和异常原型指导图像自适应 词元预算 下的修剪，积极删除低风险的正常标记，同时保留局部异常证据。稠密到稀疏的 self-蒸馏 进一步监督早期词元路由，而不会引入额外的推理开销。对六个工业和七个医疗零样本异常检测基准的实验表明，KeepAD 将词元保留率降低到 $20\%$ 以下，同时将图像级和像素级 AUROC 的平均降级限制在 $2.7$ 个百分点以内。在最激进的操作点，KeepAD 比基于 CLIP 的最强基线实现了 7.9倍的加速。