Proximity-CLIP：用于零样本异常检测的文本引导语义邻近学习

视觉语言模型为零样本异常检测（ZSAD）提供了一种有前景的方法。然而，由于以对象为中心的偏见，正常和异常文本原型表现出高度的语义重叠。虽然在它们之间强制执行严格的正交性可以提高可辨别性，但将高度连续的视觉输入映射到完全正交的原型上会引入几何困境，破坏预先训练的结构连续性。为了解决这个问题，我们提出了 Proximity-CLIP，一个可以在视觉上校准语义边缘以指导视觉适应的框架。首先，我们引入了一种视觉校准的语义邻近学习机制，该机制使用有界动态正则化来学习适当的语义边缘，确保区分性分离，同时保持结构对齐。其次，我们设计了一个由这些文本先验驱动的异常查询模块（AQM）。使用校准的异常原型作为语义查询，AQM 主动从上下文视觉斑块中检索局部缺陷线索，从而减轻全局池化过程中细微异常的稀释。大量实验表明，Proximity-CLIP 在多个 ZSAD 基准测试中优于当前最先进的方法，并且只需进行最少的架构修改。