近日，中國(guó)科學(xué)院西安光機(jī)所光譜成像技術(shù)研究室王荃研究員團(tuán)隊(duì)在計(jì)算機(jī)視覺(jué)領(lǐng)域的零樣本異常檢測(cè)與定位方向取得新進(jìn)展，相關(guān)成果被計(jì)算機(jī)視覺(jué)與模式識(shí)別大會(huì)(The IEEE/CVF Conference on Computer Vision and Pattern Recognition, CVPR 2026)接收。論文第一作者為西安光機(jī)所2024級(jí)碩士研究生胡明，通訊作者為武漢大學(xué)中南醫(yī)院胡聰博士、西安光機(jī)所胡炳樑研究員以及王荃研究員，西安光機(jī)所為第一通訊單位。
 

　　隨著工業(yè)質(zhì)檢、醫(yī)學(xué)影像分析等應(yīng)用需求不斷增長(zhǎng)，異常檢測(cè)技術(shù)日益受到關(guān)注。然而，實(shí)際場(chǎng)景中異常樣本往往稀缺甚至難以獲取，傳統(tǒng)依賴標(biāo)注數(shù)據(jù)的監(jiān)督學(xué)習(xí)方法面臨瓶頸。
 

　　基于視覺(jué)-語(yǔ)言模型的零樣本異常檢測(cè)方法，憑借大規(guī)模預(yù)訓(xùn)練知識(shí)，無(wú)需異常標(biāo)注即可實(shí)現(xiàn)檢測(cè)，但在細(xì)粒度異常檢測(cè)任務(wù)中，該方法仍面臨三大挑戰(zhàn)：一是模型難以區(qū)分前景目標(biāo)與復(fù)雜背景，異常特征易與背景混雜，影響檢測(cè)精度；二是依賴單一文本表示，語(yǔ)義表達(dá)能力有限，難以為異常判別提供精細(xì)依據(jù)；三是跨模態(tài)對(duì)齊過(guò)程中，圖像與文本的語(yǔ)義匹配存在不確定性，制約了模型性能提升。
 

　　針對(duì)上述問(wèn)題，研究團(tuán)隊(duì)提出了新型框架——FB-CLIP(Foreground-Background Disentangled CLIP)。該框架從三個(gè)層面進(jìn)行創(chuàng)新：
 

　　在文本建模上，提出多策略文本特征融合方法，通過(guò)結(jié)合句子級(jí)表示、全局上下文信息及注意力加權(quán)特征，構(gòu)建更豐富的任務(wù)感知語(yǔ)義表示，提升模型對(duì)異常語(yǔ)義的理解能力；
 

　　在視覺(jué)建模上，設(shè)計(jì)多視角前景-背景分離機(jī)制，從語(yǔ)義、空間、結(jié)構(gòu)等維度解耦圖像特征，并借助背景抑制策略減少?gòu)?fù)雜場(chǎng)景中的干擾信息，使模型更精準(zhǔn)地聚焦異常區(qū)域；
 

　　在跨模態(tài)對(duì)齊上，引入語(yǔ)義一致性正則化約束，通過(guò)提升預(yù)測(cè)置信度并拉大正常與異常樣本的語(yǔ)義間隔，增強(qiáng)模型對(duì)異常的判別能力。
 

　　實(shí)驗(yàn)結(jié)果表明，F(xiàn)B-CLIP在多個(gè)工業(yè)檢測(cè)和醫(yī)學(xué)影像數(shù)據(jù)集上均取得了優(yōu)異性能，尤其在細(xì)粒度異常定位任務(wù)中表現(xiàn)突出，整體性能達(dá)到國(guó)際領(lǐng)先水平。該方法無(wú)需異常樣本標(biāo)注，即可實(shí)現(xiàn)對(duì)復(fù)雜場(chǎng)景中微小異常的精準(zhǔn)檢測(cè)與定位，具有良好的實(shí)際應(yīng)用前景。
 

　　該成果有望應(yīng)用于醫(yī)學(xué)影像輔助診斷、工業(yè)缺陷檢測(cè)等領(lǐng)域。
 

　　西安光機(jī)所王荃研究員團(tuán)隊(duì)長(zhǎng)期深耕于計(jì)算機(jī)視覺(jué)與生物醫(yī)學(xué)成像、腦機(jī)智能等交叉方向研究，近年來(lái)在相關(guān)領(lǐng)域持續(xù)取得一系列重要進(jìn)展，相關(guān)成果發(fā)表于CVPR 2025、Pattern Recognition等。
 

　　IEEE/CVF計(jì)算機(jī)視覺(jué)與模式識(shí)別會(huì)議是計(jì)算機(jī)視覺(jué)領(lǐng)域最具影響力的國(guó)際學(xué)術(shù)會(huì)議之一，被中國(guó)計(jì)算機(jī)學(xué)會(huì)(CCF)評(píng)為A類會(huì)議。