代码链接

摘要

摘要写作总结：
1.提出 两个关键点 （视觉语言模型【模型】+ 少量工业异常检测【方向】）
2.想要解决的问题
3.针对上述问题，本文提出了一种什么【方法】的什么【应用方面】方法【模型名】
4.具体讲方法的步骤
5.实验结果（挑好的讲）

1.视觉语言模型 有助于解决 少量工业异常检测中需要设计大量提示信息的问题。
2.传统提示学习方法不适用于异常检测这种单类情况（正常/不正常），适用于多类别问题（比如区分狗，猫，鸟等问题）
3.提出PromptAD(方法：单类提示学习即正常/不正常，应用方面：小样本异常检测）
4.PomptAD步骤：

• 语义拼接： 把正常提示（比如“这是一个正常的物体”）和异常提示的后缀（比如“有缺陷的”）拼接到一起，生成大量的异常提示（类似“这是有缺陷的物体”），用到异常检测（单类环境）下的提示学习
• 显式异常边界： 为了解决异常样本少的问题，提出“显式异常边界”。设置超参数来控制正常图片的特征 和 异常提示（文字描述异常的特征）的特征之间的距离，让模型更容易区分正常特征和异常特征
  【设超参数为0.5，正常特征点为（0，0），则正常特征点跟异常提示特征点的距离要超过0.5，异常提示特征点可以是（0，0.5）】

5.实验结果：
在 MVTec和VisA的少样本异常检测的12种情况中，promptAD在其中11种情况中排名第一，即少样本异常检测效果很好。

【对每个数据集（MVTec和VisA）有三种测试情况：
 1.1-shot(1张正常图片训练）
 2. 2-shot(2张正常图片训练）
 3. 4-shot(4张正常图片训练）
 每种训练方式都会测试 图像级别（整张图片是否异常）和像素级别（图片中的哪些部分是异常的）的异常测试性能
 每个数据集有  3（3种测试情况）✖ 2（2种测试级别）=6种测试情况】
 有两个数据集-》有6✖2（2个数据集）=12种测试情况】

实验

实验开头写作总结：
1.对比实验：明确跟哪些方法比，在什么设置下，有几种结果（图像级和像素级）
2.融合实验：我们通过烧烛实验验证了所提出的什么【模块】对什么的改善，并展示了不同【模型方法】的影响
3.Dataset.（数据集设置）明确使用哪几个数据集+ 介绍数据集中的情况+ 说明训练集和测试集的情况
4.评价指标 和 实现细节： 评价指标：简单介绍用的评价指标。  实现细节：介绍用的参数默认值，用了哪个模型和它的什么参数

1.明确PromptAD

• 跟最新方法比，在1，2和4张正常图片设置下，包括图像级和像素级的结。
• 跟多正常图片和全正常图片方法比，体现PromptAD强大的少样本检测能力

2.烧蚀实验：

• SC和EAM对提示学习的改善
• 不同CLIP转换方法 和 超参数 的影响

3.Dataset.：

• MVTec和VisA 作为基准。两个基准测试都有多个只有一个对象的子集

介绍数据集常用话术：
MVTec包含15个对象，每张图像7002 - 9002像素，
VisA包含12个对象，每张图像大约1.5K × 1K像素。
MVTec contains 15 objects with 7002 − 9002 pixels per image, and VisA contains 12 objects with roughly 1.5K × 1K pixels per image.

• 异常检测是单类任务（正常/不正常），训练集只包含正常样本，测试集有正常样本和有图像级和像素级注释的异常样本。注释每个对象的异常类别。

4. Evaluation metrics.
   AUROC：We follow the literature [4] in reporting the Area Under the Receiver Operation Characteristic (AUROC) for both image-level and pixel-level anomaly detection.Implementation details
   Implementation details. 使用超参数τ的默认值+CLIP开源模型和预训练参数+基于LAION-400M数据集预训练的CLIP模型+优化后的ViT-B/16+(视觉编码器)

实验写作总结：
1.Image-level Comparison Results(图像级对比结果）：
+ 【模型名】与当前方法的图像级对比实验结果如表几所示，其中【修改设置的方法名】修改了哪些设置
+ 说明除本方法外，值较好的两种方法。
+ 本方法比值较好的两种方法 在值上的提升，只提好的.如果本方法使用的提示少或者样本少，补充在后面。

5.1. Image-level Comparison Results(图像级对比结果）

表1。基于MVTec和VisA基准的AUROC图像级异常检测比较。最好和次好的结果分别用粗体和下划线标出。†表示基于clip的方法。

AUROC：表示ROC曲线下的面积【ROC表示在不同阈值下的性能，横轴：False Positive Rate (FPR)：假正率，表示被错误分类为正类的负类样本的比例。
纵轴：True Positive Rate (TPR)：真正率，也叫召回率，表示被正确分类为正类的正类样本的比例。】
假设你有一个模型用来检测图片是否异常，你得到了以下结果：
在某个阈值下，真正率（TPR）是 0.8，假正率（FPR）是 0.2。
在另一个阈值下，真正率（TPR）是 0.9，假正率（FPR）是 0.3。
如果你把所有这些点画在图上，就得到了 ROC 曲线。这条曲线下的面积就是 AUROC。如果 AUROC 接近 1，说明你的模型在各种阈值下都能很好地分类

• PromptAD与当前方法的图像级对比实验结果如表1所示，其中SPADE[11]、PaDiM[12]和PatchCore[39]是传统全样本方法在少样本设置下的重新配方。

• CLIP模型对于少样本设置有益：WinCLIP和RWDA(引入了CLIP）在少样本设置下的AUROC值不错（>93），其余方法（除PromptAD外）AUROC值都不好(<90)

• PromptAD在MvTec和Visa两个数据集的（1，2，4少样本）3种设置下的AUROC的值跟WinCLIP和RWDA的AUROC(引入了CLIP)的最大值都有一定的提升：MvTec中提升了1.3%, 1.3%, 1.4%（1，2，4），Visa中提升了2.9%, 2.7%, 1.8%(1,2,4)。【另外说明：PromptAD使用的提示数量比WinCLIP+和RWDA少】

2.Pixel-level Comparison Results（像素级对比结果）：
像素级比较实验结果如表几所示。
+ 写数据比较好的（排第一或第二），排第一跟第二比看增加多少，排第二跟第一比看少了多少
异常定位定量结果如图几所示。
+ 看异常定位对不对，精准不精准

5.2. Pixel-level Comparison Results（像素级对比结果）

像素级比较实验结果如表4所示。

The pixel-level comparative experimental results are recorded in Table 4.

• 引入CLIP模型带来的影响不大：基于CLIP的方法（如WinCLIP+）和其他方法在像素级AUROC差别不大。
• PromptAD在MvTec和Visa的1-shot,2-shot的像素级AUROC是最高，且比WinCLIP高0.7（MvTec 1-shot），0.2（MvTec 2-shot），0.3（Visa 1-shot）,0.3(Visa 2-shot）
• 在4-shot,PromptAD在Visa上排第一，在Mvtec上排第二，比第一少了0.5。
  
• 一样本异常定位定量结果如图3所示。

The quantitative results of anomaly localization are shown in Figure 3.

• 在一样本设置下，PromptAD和 PatchCore,WinCLIP相比，对物体和纹理的异常定位更好。能够精确定位一些小的异常区域。

//3.跟其他什么类型方法相比（可有）

5.3. Compared With Many-shot Methods（跟全样本方法对比）

• 表格2的内容：少样本设置下的PromptAD和全样本/多样本设置的其他方法相比较，红色数值是低于1样本的，蓝色数值是低于4样本的
• 说明结果：PromptAD的少样本检测性能比较好（超过一些全样本的方法的结果）
  明确优于哪些方法，差于哪些方法：PromptAD>MKD和P-SVDD，但<最新的PatchCore和SimpleNet

4.Ablation Study（消融实验）
+ 明确 在哪几个数据集上实验，针对哪些的影响，在什么设置 对模型整体性能的影响
+ 分模块写，各个模块对于模型的影响：先说失去这个模块会有什么影响，再写实验结果中没有这个模块的影响和增加这个模型的影响。

5.4. Ablation Study（消融实验）

• 在MVTec和VisA,针对不同方法的不同模块【语义连接(SC)+显式异常边界(EMA)+视觉引导异常检测（VAD）】，在1样本设置下对PromptAD整体性能的影响。消融研究结果记录在表3中。

We verify the impact of different modules of different proposed methods on the overall performance of PromptAD under 1-shot setting on MVTec and VisA .

Results of the ablation study are recorded in Table 3.

表3.单针消融研究的图像水平/像素水平结果（AUROC）。PAD和VAD分别是提示引导和视觉引导的异常检测，SC是语义拼接，EAM是显式异常边缘。

• 语义连接（SC）:SC的作用｛没有SC，传统语义连接会失去用于对比的负面提示。因为负面提示对于对比学习很重要，失去负面提示，提示学习效果会很大降低。｝
  +实验结果体现没有SC的影响｛在表3中，可以看到没有SC时，在MVTec和Visa上的图像和像素AUROC结果不是很好｝[个人觉得表3没有体现没有SC的影响，没有SC表格应该是✖，✔，✔和✔，✔，✔两个数据的对比，表3中只有✖，✖，✖和✖，✖，✔]
  +实验结果体现有SC的影响｛基础模型(✖，✖，✖)和使用SC（✔，✖，✖）在MVTec（和VisA）的图像级/像素级结果分别提高了8.9%/3.9%(8.7%/5.0%)-》提升提示学习在异常检测中的适用性｝

• 显式异常边界（EAM）:EAM的作用{因为训练阶段没有异常样本-》正常提示和异常提示之间没有明确的边界。EAM用超参数控制正常和异常提示特征间的距离。｝
  +实验体现有EAM的影响{只使用SC（✔，✖，✖）和加上EAM（✔，✔，✖）对比，MVTec（和VisA）的图像级/像素级结果分别提高了0.9%/0.8%（1.9%/1.3%）

• 视觉引导异常检测（VAD）：VAD的作用{PAD(SC+EAM）会忽略局部细节，不利于像素级的检测-》引入侧重于局部细节的VAD}+
  +PAD的作用和VAD的作用:PAD提升图像级，VAD提升像素级｛在MVTec（和VisA）上，只有PAD的模型（✔，✔，✖）跟基础模型(✖，✖，✖)相比，图像级的提升（9.8/10.6）比像素级的提升（4.7/6.3）更高；只有VAD的模型（✖，✖，✔）跟基础模型(✖，✖，✖)相比，在MVTec上像素级的提升（5.4）比图像级的提升（3.6）更大，在Visa上图像级和像素级提升差不多｝
  +PAD和VAD都有的最终效果｛MVTec（和VisA）的图像级/像素级结果达到94.6%/95.9%（86.9%/96.7%）｝

5.不同CLIP变换的结果
+ CLIP模型的研究进展
+ 介绍表格 是在哪几个数据集上做的，在什么设置下做的，对比哪些方法，展示的是什么测量值（图像级/像素级）
+ 简单介绍 不同模型对于CLIP的改进
+ 详细对比表格中的结果
（1.原始模型结果 2.转化模型结果 3.使用论文方法后的结果【体现论文方法的有效性】写哪些模型使用论文方法后性能提升了，如果有降低的也可以写一个小点作为缺陷）

5.5. 不同CLIP变换的结果

• CLIP无法直接完成提示引导的定位任务-》一些论文尝试CLIP转换
  
  表5所示。在0-shot/1-shot设置下，MVTec和VisA使用不同CLIP转换的像素级结果（AUROC）。
• 介绍表格内容｛在0-shot(使用1000个提示)/1-shot(用PromptAD提示方法)设置下，MVTec和VisA使用不同CLIP转换的像素级结果（AUROC）｝
• 不同CLIP模型对于CLIP的改进{MaskCLIP在CLIP上的改进：降低QKV的注意力+在视觉编码器的每一层之后嵌入局部特征 ; CLIP+Linear在CLIP上的改进：对齐局部特征与提示特征（在每个块之后为视觉编码器添加一个可学习的线性层）
• 详细对比表格中的结果{
  +CLIP中相反的视觉激活->原始CLIP检测结果不好（0-shot设置下对MVTec/Visa的像素级测试值:22.5%/24.6%,低于随机预测（50.0%））
  +转化注意力后效果好：MaskCLIP和VV-CLIP分别在MVTec/Visa上提升了63.0%/55.9%（Visa）和64.2%/58.3%（Visa）,且VV-CLIP的性能提升更多（可能因为保留了一部分信息交互）}
  +PromptD的有效性｛加了PromptAD方法后的MaskCLIP和VV-CLIP分别在MVTec/Visa上提升了6.1%/10.7%,5.8%/8.9%，加了PromptAD方法后CLIP模型在MVTec/Visa上提升了57.4%/55.8%｝
  +Prompt的一点缺陷{PromptAD加入CLIP+Linear后效果下降（可能因为PormptAD和Linear线性层相互干扰）

6.超参数分析（如果有需要调整的超参数，这个部分是有必要）
+ 写研究哪几个超参数的影响
+ 分别解释这些超参数  分别是什么的超参数，有什么作用
+ 不同的超参数对模型方法的影响

5.6. Hyper-parameter Analysis(超参数分析)

• 研究 N，L，λ对PromptAD的影响。

We complete the effect of N , L and λ on PromptAD.

• 分别解释 N，L，λ分别是什么的超参数，有什么作用
  +λ是损失Lalgin的超参数，用于控制map和LAPs特征分布的对齐程度
  +N是NPs的个数
  +L为异常提示后缀的个数，N ×L为lap的个数

VisA在单样本设置下使用不同的N和L的图像级/像素级结果。

• 不同的N和L对PromptAD的影响：图4演示了N和L对PromptAD的影响。
  +图像级上，N的影响不大，L影响较大｛N=1，N=4的图像级结果没什么差异，L越大图像级的值越高｝
  +像素级上，N和L影响都较小，较大的L像素级的值有一点提升
  
  在MVTec[4]在1样本设置使用不同的超参数λ的图像级/像素级结果
• 不同的λ对PromptAD的影响：图5记录了不同λ下的图像级/像素级结果。
  +当λ越接近0，结果越差-》map和LAPs的分布需要对齐，但不能过度对齐，会降低异常提示的多样性，会降低模型对异常图像特征的感知

7.可视化结果
+ 为了量化【模型】的效果，我们将【可视化的部分】可视化。详细讲可视化哪些内容
+ 展示可视化的结果，表现模型方法的有效性
+ 不同的超参数对模型方法的影响

5.7. Visualization Results（可视化结果）

• 为了量化PromptAD的效果，我们将L2归一化后的视觉和文本特征可视化。{具体，可视化3 NPs, 3×13 MAPs, 和 3×10 LAPs + 100个图像级/像素级正常视觉特征}

To quantify the effect of PromptAD, we visualize the visual and textual features after L2 normalization.

使用T-SNE在单样本设置下的特征可视化结果。
NP text feature 正常特征
MAP text feature表示手动异常提示（手动把异常后缀放到正常特征后）
LAP text feature表示可学习异常特征（模型在学习过程中自动生成的异常提示特征）
Normal visual feature 正常视觉特征

• 展示可视化的结果，表现PromptAD的有效性｛图6为可视化结果。
  +正常特征（红蓝）和异常特征（橙绿）分的很开
  +正常特征和正常视觉特征重复率高
  +正常提示特征分布的较开，和正常视觉特征的整体分布贴合 ｝