从高知社区知乎变

上下文分割要求模型在给定少量支持样本（如 1 个或多个带有标注的支持图像）的情况下，能够直接对查询图像进行语义分割，无需额外的训练或微调。其核心是模型具备 “上下文学习能力”，即通过输入的示例（上下文）快速理解目标类别，并将其泛化到新图像中。上下文分割是少样本语义分割的进化形态。传统少样本分割（如 1-shot、5-shot 分割）关注在少量标注样本下训练模型，而上下文分割进一步要求模型在推理阶段仅通过输入的上下文示例（即支持样本）完成分割，无需额外训练步骤。

第三十九届美国人工智能协会（AAAI）人工智能大会于2025-08-04至3月4日在宾夕法尼亚州费城举行。程序委员会主席为Julie Shah（美国麻省理工学院）和Zico Kolter（美国卡内基梅隆大学）。本次会议的范围涵盖机器学习、自然语言处理、计算机视觉、数据挖掘、多智能体系统、知识表示、人机协作人工智能、搜索、规划、推理、机器人与感知，以及伦理道德。除了专注于上述任一领域的基础研究工作外，AAAI - 25还鼓励开展跨人工智能技术领域的研究（例如，机器学习与计算机视觉；计算机视觉与自然语言处理。

参考：

文章的核心在于原始的CLIP由于关注通用能力，缺乏对异常的感知，所以作者通过提升了文本分支对normal和abnormal的区分，提升了CLIP对异常的识别能力

工业质检领域，尤其是基于图像的工业缺陷检测领域，缺陷样本的收集可能非常困难，也就促生了无监督异常检测与zero-shot检测的研究方向，他们都不需要目标场景下的缺陷样本，因此大家可能会对他们的概念和具体使用场景存在疑问。因此本文重点对这两个任务进行介绍和对比。

在近几年一些SOTA的异常检测算法中，很多都是基于扩散模型diffusion model的，同时很多论文的思路都放在了生成逼真的异常图像来辅助异常检测上，例如CVPR2024 RealNet、ECCV2024 GLAD等。开始时不太理解异常检测为什么要把重点放到异常合成/异常生成上，借助RealNet论文与deepseek简单写下自己的理解：在异常检测任务中，生成异常样本的主要目的是弥补真实异常数据的稀缺性，并通过可控的合成异常帮助模型学习更鲁棒的特征表示，从而提升检测性能。以下是具体分析：解决真实异常数据

CCVPR2024异常检测新方法-RealNet学习

EfficientAD 是一种高效的视觉异常检测模型，其核心由三个模块构成：高效的补丁描述网络（PDN）、轻量级学生-教师模型和自动编码器。最近使用异常检测方法efficientAD在自己的工业数据集上应用，发现效果不太好，因此回到论文中，重新学习下其结构，寻找在自有数据集上效果不好的原因。通过轻量设计、损失函数优化和多模块协同，EfficientAD在异常检测性能和计算效率间实现了最佳平衡，为工业检测等实时场景提供了高效解决方案。