主要观点总结
文章介绍了一种基于多级信息融合的全图评分方法的核感知图提示学习框架，用于整合预测图中多个重要异常信号的信息。该方法旨在通过捕捉跨层上下文信息提高异常预测的准确性，通过构建一个核感知的分层图进行信息传递，适用于少样本异常检测（FSAD）。文章还提到了对MVTecAD和VisA数据集的广泛实验结果以及获取代码的途径。
关键观点总结
关键观点1: 提出一种基于多级信息融合的全图评分方法
该方法是文章的核心，整合了预测图中的多个异常信号信息，有助于更准确地进行异常预测。
关键观点2: 核感知图提示学习框架KAG-prompt的引入
KAG-prompt通过构建一个核感知的分层图，捕捉视觉特征的跨层上下文信息，从而提高了异常检测的效果。
关键观点3: 在MVTecAD和VisA数据集上的广泛实验结果
文章通过大量实验证明了所提出方法的有效性，并在图像级和像素级异常检测任务中取得了最先进的FSAD结果。
关键观点4: 数据派THU的介绍
作为数据科学类公众号，数据派THU分享前沿数据科学与大数据技术创新研究动态，并持续传播数据科学知识。
文章预览
来源：专知 本文 约1000字 ，建议阅读 5 分钟 为了整合预测图中多个重要异常信号的信息，我们提出了一种基于多级信息融合的全图评分方法。 少样本异常检测（FSAD）旨在通过极少量来自同一类别的正常支持图像来检测未知的异常区域。现有的FSAD方法通常通过直接设计复杂的文本提示，将其与视觉特征对齐，来发现异常，且这些方法大多忽视了视觉特征中的内在上下文信息，例如不同视觉层之间的交互关系，而这些信息是全面检测异常的重要线索。为此，我们提出了一种核感知图提示学习框架，称为KAG-prompt，通过推理视觉特征之间的跨层关系来进行FSAD。具体来说，通过将关注不同大小异常区域的不同层特征作为节点，构建一个核感知的分层图，同时任意节点对之间的关系表示图的边。通过在该图上进行信息传递，KAG-prompt能够捕捉跨层上下文信
………………………………
