通过混合提示正则化实现无训练的任意异常分割

我们提出了一种新颖的框架——“任意异常分割+”（Segment Any Anomaly +，简称 SAA+），通过引入混合提示正则化机制，实现零样本异常分割，从而提升现代基础模型的适应能力。现有的异常分割模型通常依赖于特定领域的微调，这限制了其在海量异常模式之间的泛化性能。受如“任意分割”（Segment Anything）等基础模型强大零样本泛化能力的启发，本文首先探索了基础模型的组合使用，以融合多样化的多模态先验知识，实现对异常区域的有效定位。针对非参数化基础模型向异常分割任务的适应问题，我们进一步引入了源自领域专家知识与目标图像上下文的混合提示作为正则化手段。所提出的 SAA+ 模型在多个异常分割基准测试中，包括 VisA、MVTec-AD、MTD 和 KSDD2，在零样本设置下均取得了当前最优性能。代码将公开发布于：\href{https://github.com/caoyunkang/Segment-Any-Anomaly}{https://github.com/caoyunkang/Segment-Any-Anomaly}。