少样本工业异常检测的非对称提示适配

在少样本工业异常检测中，少数正常目标图像不提供直接的缺陷监督，使得仅从这些样本中学习异常提示变得困难。因此，一些视觉语言方法使用手动指定的描述来提供显式的异常语义。然而，构建这些描述需要针对特定​​产品的努力，并且其有效性取决于提示的选择。我们提出了 Anchor and Adapt，这是一个两阶段的提示学习框架，它将异常语义的获取与目标正常外观的适应分开。第一阶段从带标注的辅助数据中学习可转移的正常和异常锚点。第二阶段保持这些锚点固定，并使用少数目标正常样本调整额外的正常分支。继承和适应的正常分支共同表征了目标正常性，文本锚正则化鼓励与通用正常先验的一致性并与异常锚分离。这种设计保留了学到的异常知识，同时减少了对特定类别异常模板的依赖，而不需要生成合成异常。 MVTec-AD 和 VisA 在 1、2和4样本设置下的跨数据集实验展示了具有竞争力的检测和定位性能。受控 消融 评估转移锚、不对称适应、双正常分支表示和锚正则化的作用。