用于零样本异常检测的跨类别转移的协同进化提示优化

零样本异常检测（ZSAD）因其在工业检测中的实用价值而受到广泛关注。最近，基于 CLIP 的方法由于其强大的视觉语言泛化能力而在 ZSAD 中得到了广泛采用。然而，现有方法通常采用连续提示嵌入来进行提示优化，并在潜在向量中编码语义，缺乏可解释性和可扩展性。为此，我们提出了 CoEvoAD，一种用于离散提示选择的协同进化框架。 CoEvoAD 使用进化算法在离散自然语言空间中执行提示搜索。候选提示在群体进化过程中迭代生成、评估和选择，从而保留了自然语言的可解释性和可组合性。此外，我们引入了跨类别转移目标（CCTO），它将保留的源类别视为未见过类别的代理，并根据估计的跨类别可转移性对提示规则进行评分，从而有效提高了跨类别泛化能力。进行了大量的实验来验证 CoEvoAD 的有效性，结果表明它在多个异常检测数据集上实现了最先进的性能。代码可在 https://github.com/rstao-bjtu/CoEvoAD 获取。