English(EN) CMDS-AD: Cross-Modal Dual-Stream Decoupling for Few-Shot Anomaly Detection

新的CMDS-AD框架利用多模态数据改进少样本异常检测

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-18 14:36

研究人员开发了CMDS-AD，一种用于少样本异常检测的新型框架，该框架利用多模态数据来克服训练数据稀缺的限制。该框架采用LoRA引导的扩散模型生成多样化的RGB样本，并使用预训练的扩散模型作为正常估计器提取低频信息。这种方法建立了一个双流系统，通过一个稳定的结构模板辅助一个未压缩的真实流，从而精确地分离微缺陷。CMDS-AD在MVTec 3D-AD和EyeCandies等基准测试中，尤其是在极端1-shot设置下，展现了最先进的性能。 AI

影响这项研究推进了少样本异常检测技术，有可能改进制造业和其他数据有限领域的缺陷识别。

排序理由该集群包含一篇详细介绍新异常检测方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Zongze Wu · 2026-06-18 14:36

CMDS-AD: Cross-Modal Dual-Stream Decoupling for Few-Shot Anomaly Detection

Few-shot anomaly detection remains challenging due to limited training data. Multi-modal anomaly detection (MAD) offers a viable solution, leveraging 3D geometric cues to enrich 2D RGB representations and compensate for this scarcity. However, existing MAD methods apply spatially…

报道来源 [1]

CMDS-AD: Cross-Modal Dual-Stream Decoupling for Few-Shot Anomaly Detection

相关实体

相关话题