当更多参考受到损害时：用于少量钢材缺陷检测的污染感知 DINOv2 内存库

补丁内存异常检测器假设它们的参考库是正常的，当其他工业图像未经验证时，很难保证这一假设。我们研究一些可信的正常图像是否可以在没有缺陷掩模的情况下从此类参考中安全地恢复有用的正常补丁。从 AnomalyDINO 使用的 DINOv2 补丁内存公式开始，我们根据与干净种子库的距离对候选补丁进行评分，丢弃最可疑的 20%，将保留的补丁与种子合并，并通过贪婪的核心集选择强制执行固定预算。在谢韦尔（Severstal）上，幼稚的附加参考包含 9.46% 的异常补丁；拟议的修剪拒绝其中 78.1%，并将残留污染减少到 2.59%。在相同的 51,200 个补丁开发预算下，拟议的库达到 0.1084 AUPRC，而朴素扩展为 0.0950，随机删除为 0.0952，八个干净图像为 0.1030。仅将 0.5\% 的异常补丁注入干净的库中即可将 AUPRC 从 0.1030 减少到 0.0759。在所有五个已完成的保留对中，拟议的银行比单纯扩张有所改善，平均收益为 0.0142 AUPRC。因此，参考纯度是一阶设计变量，未经验证的图像仅在其贡献被明确过滤时才有用。