PromptAD: Learning Prompts with only Normal Samples for Few-Shot Anomaly Detection

视觉语言模型为少样本工业异常检测带来了巨大的改进，通常需要通过提示工程设计数百个提示。对于自动化场景，我们首先使用传统的多类别范式提示学习作为基线来自动学习提示，但发现它在单类别异常检测中效果不佳。为了解决上述问题，本文提出了一种用于少样本异常检测的单类别提示学习方法，称为PromptAD。首先，我们提出了语义连接，通过将正常提示与异常后缀连接起来，将正常提示转换为异常提示，从而构建了大量负样本，用于在单类别设置中引导提示学习。此外，为了缓解由于缺乏异常图像而引起的训练挑战，我们引入了显式异常边缘的概念，通过超参数显式控制正常提示特征和异常提示特征之间的边缘。对于基于图像/像素的异常检测，PromptAD在MVTec和VisA的11/12个少样本设置中取得了第一名。

本文旨在解决工业异常检测中的few-shot情况下的prompt工程问题，提出一种one-class prompt learning方法。

本文提出了语义连接和显式异常边界的概念，通过将正常prompt与异常后缀进行连接来构造大量负样本，用于在one-class场景下引导prompt学习。同时，通过引入显式异常边界的概念，控制正常prompt特征和异常prompt特征之间的边界。

本文在MVTec和VisA数据集上进行了实验，针对图像级/像素级异常检测，在11/12个few-shot场景中均排名第一。值得关注的是，本文提出的PromptAD方法不需要进行大量的prompt工程，且在one-class场景下表现出色。

最近的相关研究包括：Few-shot learning, Anomaly detection, Vision-language model等。