ConceptADapt：概念引导的自适应特征重建与动态关注，用于少样本工业异常检测

少样本工业异常检测（FS-IAD）专注于在冷启动阶段检测和定位工业检查中的视觉缺陷，其中每个类别仅提供有限数量的正常训练样本。该领域的最新进展主要利用基础模型的视觉特征，并取得了可喜的性能。尽管基础模型特征具有很强的表征能力，但由于正常训练数据的极度稀缺，模型泛化能力仍然很脆弱。为了解决这个关键问题，我们提出了ConceptADapt，一种具有动态注意力的概念引导自适应特征重建模型。具体来说，我们的模型从有限的支持特征中预先学习一组固定的正常概念，并利用它们来挖掘与查询特征的关系，从而重新校准它们的统计数据，以改进测试时的异常检测。为了缓解普遍存在的特征快捷方式问题（该问题在低数据情况下尤其严重），我们进一步开发了一种与稀疏自动编码器集成的动态注意机制，以在训练期间学习鲁棒的正常概念。此外，为了在推理过程中实现快速适应，我们的模型通过将 LoRA 纳入注意模块来保持轻量级，该模块仅引入最少的更新参数。在三个广泛采用的 FS-IAD 基准（包括 MVTec-AD、VisA 和 MPDD）上进行的广泛实验表明，我们的模型在检测和定位任务中始终优于最先进的（SOTA）方法，在各种镜头设置下实现了显着改进。