Tag · 5 篇

少样本异常检测

分布鲁棒性与安全3目标检测与定位2

SubspaceAD: Training-Free Few-Shot Anomaly Detection via Subspace Modeling

用冻结的 DINOv2 patch 特征拟合 PCA 子空间、以重建残差作为异常分数，为少样本/单样本工业异常检测提供了一个无需训练、无需 memory bank 的强基线，可直接迁移到其他需要无监督打分的一类分类场景。

GPFlow: Gaussian Prototype Probability Flow for Unsupervised Multi-Modal Anomaly Detection

用可学习高斯原型构造协方差感知的信息瓶颈（后验均值路径路由），替代离散原型记忆库，可直接迁移到少样本工业质检、多模态（RGB+点云/深度）异常检测的特征重建环节。

FastRef: Fast Prototype Refinement for Few-shot Industrial Anomaly Detection

把推理阶段的查询特征通过可优化传输矩阵做线性重构，并用最优传输约束抑制异常重构，这套「测试时原型精炼」思路可直接迁移到任何基于原型的少样本检测/分割流程中，无需重训练即可提升表征代表性。

Defect Cue-Preserved Structural Feature Refinement for Few-Shot Anomaly Detection

把「深层特征提取过程中缺陷线索逐渐衰减」作为异常检测失败的主因，并用早期异常线索图作为重建式定位的注意力锚点，这一「线索保留+锚定」思路可直接迁移到任何基于重建或特征比对的无监督/少样本缺陷检测流程中。

Bidirectional Multimodal Prompt Learning with Scale-Aware Training for Few-Shot Multi-Class Anomaly Detection

把文本提示与视觉提示做双向交互、并用全局+局部双视图训练尺度感知前缀，为少样本多类异常检测提供了一种无需异常类型描述、无需外部模块的轻量提示学习范式，可直接迁移到工业质检与医学异常定位。