arXiv · cs.AI· Mengyang Zhao, Teng Fu, Haiyang Yu, Ke Niu, Bin Li, Xiangyang Xue·· 2 天前
Anchor and Adapt：用于少样本工业异常检测的非对称提示适配框架
Anchor and Adapt: Asymmetric Prompt Adaptation for Few-Shot Industrial Anomaly Detection
arXiv:2610.07016v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Mengyang Zhao, Teng Fu, Haiyang Yu, Ke Niu, Bin Li, Xiangyang Xue
研究任务与主要进展
基于论文摘要，作者提出 Anchor and Adapt 两阶段提示学习框架，先从带标注辅助数据中学习可迁移的正常与异常锚点，再固定这些锚点并利用少量目标正常样本适配额外正常分支。该方法通过双正常表示和文本锚点正则化，在无需合成异常生成的情况下降低对类别特定异常模板的依赖；作者报告其在 MVTec-AD 与 VisA 的1、2、4-shot跨数据集实验中具有竞争力的检测与定位性能。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org