PromptAD：精准工业异常检测，1张正常样本即可超越现有SOTA

点击下方卡片，关注「3D视觉工坊」公众号
选择星标，干货第一时间送达

来源：Coovally AI Hub

星球内新增20多门3D视觉系统课程、入门环境配置教程、多场顶会直播、顶会论文最新解读、3D视觉算法源码、求职招聘等。想要入门3D视觉、做项目、搞科研，欢迎扫码加入！

近年来，工业异常检测（Anomaly Detection）在智能制造、质量监控等领域扮演着越来越重要的角色。传统方法通常依赖大量正常样本进行训练，而在实际生产中，异常样本稀少甚至不存在，能否仅凭少量正常样本就实现精准的异常检测，成为了一项重要挑战。

PromptAD 方法首次将提示学习（Prompt Learning） 引入单类别异常检测任务中，仅使用正常样本就能自动学习有效的提示词，在多个标准数据集上取得了领先性能。

异常检测本质上是一个单类别分类（One-Class Classification, OCC） 问题：训练时只有正常样本，测试时则需要识别出异常。

现有的基于视觉-语言模型（如CLIP）的方法（例如WinCLIP）虽然效果显著，但依赖大量人工设计的提示词（Prompt Ensemble），需要组合成百上千个文本提示才能达到理想效果。这不仅费时费力，还难以自动化部署。

更遗憾的是，传统的多类别提示学习方法（如CoOp）在异常检测任务上表现不佳，因为它们缺乏负样本（异常样本）的对比信息。

总结而言异常样本太少、异常千奇百怪、人工成本高。

PromptAD 之所以能够在 “只看正常样本” 的情况下依旧精准检测异常，关键在于它提出了三大创新：

在小样本异常检测中，训练集通常只包含正常样本，没有异常样本可供学习。

而传统的 Prompt 学习依赖“对比学习”（Contrastive Learning）：正常和异常要互相对比，模型才能学会区分。

但如果没有异常样本，这个“对比”就无法进行。

核心思路

研究者提出了一种巧妙的方法：通过语言构造虚拟异常。

给正常的提示词加上“异常后缀”，从而生成异常提示词。

举例：

这样，哪怕没有真实异常图像，模型也能通过这些“虚拟异常描述”来建立对比关系，从而学会区分正常和异常。

技术细节

即使通过语义拼接生成了异常提示词，仍然有一个问题：

这些异常提示词并不来自真实异常样本，模型无法自动判断“正常”和“异常”之间该保持多大的差距。

核心思路

研究者提出了显式异常边界的概念：

在训练过程中，引入一个超参数，强制约束：

技术细节

异常检测既需要整体判断（这张图是否异常？），又需要局部定位（异常具体在哪？）。

单靠 Prompt 引导（语义信息）或单靠图像特征（视觉信息）都不够全面。

核心思路

团队在两个经典工业数据集（MVTec 和 VisA）上做了测试：