跳到正文
arXiv · 机器人与计算机视觉· Haoxiang Rao, Fang Zhao, Zhao Wang, Weijia Li, Chenyang Si, Caifeng Shan·· 2026-10-15精选AI 评分78

CORE:基于大模型对比反思的自监督提示优化用于异常合成

CORE: Contrast-and-Reflect for Self-Supervised Prompt Optimization in Anomaly Synthesis

AI 导读

论文 CORE 针对工业异常检测中缺陷样本稀缺的问题,提出一种无需训练且成本高效的提示优化框架,统一支持零样本与单样本异常合成。该方法通过异常上下文定位模块将稀疏用户输入转化为缺陷感知生成上下文,并解耦正常区域保持与异常特异性变化;同时利用自监督对比反思机制自主优化提示词。

推荐理由

该工作提出无需训练的提示优化框架,统一零样本与单样本异常合成,在 MVTec-AD 和 VisA 数据集上验证了下游检测性能提升。

来源:arXiv · 机器人与计算机视觉 · arxiv.org