对象无关的零样本异常检测
创新点有三个：（1）对象不可知文本提示关注图像的异常/正常，而不是对象语义；（2）文本编码器调优来优化原始文本空间；（3）DPAM（V-V）通过增强局部视觉语义来提高分割性能。
论文主要用的是辅助AD数据集（提前标注好“正常/异常图像 + 像素级掩码”的数据集，如MVTec AD（含金属螺母、胶囊等15类缺陷）），医疗辅助数据集（如ColonDB）。
VLM有强大的零样本识别能力（包括异常检测在内的各种视觉任务）
需要对象无关的零样本识别能力（当目标域不具有相关训练数据时（违反数据隐私策略、保护患者敏感信息等））
类似CLIP之类的VLM被训练成更关注class语义而不是正常/异常。原因是：文本提示模板是“A photo of a [cls]”
回顾一下CLIP：
CLIP的文本编码器：传递类名为cls的文本提示模板G（A photo of a [cls]），以得到对应的文本嵌入。
CLIP的图像编码器：传递图像，得到全局视觉嵌入和局部视觉嵌入。
异常模式保持相似，例如金属螺母和板上的划痕、晶体管和印刷电路板的错位、各种器官表面的肿瘤/病变等。所以我们改变文本提示模板为：
这里的[V]、[W]都是可学习的（在训练过程中值会不断调整）。这里的[V1][V2]可能在训练之后分别代表着[表面平滑]、[形状规则]，[W1][W2]可能在训练之后分别代表着[局部划痕]、[边缘突变]，这样gn、ga两个模板在训练之后就分别充分吸取了正常、异常的特征。
一、优化gn、ga模板的过程（全局-局部上下文优化）：
总损失 = 全局损失 + λ × 局部损失的加权和
（1）全局损失：判断这张图是异常图还是正常图
这里的fi是全局视觉嵌入，匹配的也是gn、ga对应的文本嵌入。
Lglobal：分别计算fi和gn、ga的余弦相似度，用交叉熵损失来优化。
（2）局部损失：定位“异常在图像的哪个像素”
掩码S一般公开数据集自带。
二、文本编辑器的调整
为什么要调整文本编码器？
因为CLIP的文本编码器原本是为“图像-物体类别语义对齐”预训练的，而我们希望文本空间能捕捉“异常/正常”的通用语义，所以需要对文本编码器进行调整。
对文本编码器的优化集中在“前9层”
为什么只替换“前缀”？
原始token的后P-Q个包含CLIP预训练的通用语义（如“[object]、[damaged]”的基础语义），保留它们可避免文本空间完全偏离视觉-语言对齐的基础。
三、图像编码器的调整
DPAM机制：将原始的Q-K注意力替换为V-V自注意力。
CLIP的Q-K注意力机制会导致视觉编码器过度关注全局物体语义，而忽略局部异常特征。（DeCLIP提出的注意力偏移问题）
四、推理过程
1、图像级异常检测：用P（ga，fi）判断是否异常。
2、像素级异常分割：定位“异常在哪里”
最后给个推理实例：
五、下面是实验部分：
工业检测数据集（7个）：MVTec AD、VisA、MPDD、BTAD、SDD、DAGM、DTD-Synthetic
医学成像数据集（10个）：皮肤癌ISIC、结肠息肉CVC-ClinicDB、CVC-ColonyDB、Kvasir、Endo、甲状腺结节TN3K、脑肿瘤HeadCT、脑MRI、Br35H、新冠肺炎COVID-19
对比的SOTA：CLIP、CLIP-AC、WinCLIP、VAND、CoOp
工业异常检测评价指标（3个）：AP、AUROC、AUPRO
工业检测的比较结果（table 1）：
医疗影像的比较结果（table 2）：
