小样本异常检测FSAD，一种适用于标注数据稀缺情况下的异常检测技术。在仅有少量标注数据的情况下，它比传统方法更能提高准确性和效率，是工业监控、医疗诊断等领域的关键技术。

目前FSAD还存在很多问题等我们解决，不过换个思路想，这些都是可挖掘的创新方向，而且已经有效果绝赞的成果可参考，比如GraphCore，突破工业视觉极限，减少冗余视觉特征的数量；再比如CAReg，首个全类别通用的开源FSAD方法，完美解决计算成本高且效率低的问题。

为了帮各位论文er省下查找资料的时间，我从中挑选了11个FSAD相关最新成果来和大家分享，idea都非常值得学习，当然开源代码也都整理了，大家有任何复现问题都可以来讨论~

论文原文+开源代码需要的同学关注“学姐带你玩AI”公众号，那边回复“FSAD”获取。

Pushing the limits of few-shot anomaly detection in industry vision: GraphCore

方法：作者针对工业产品的少样本视觉异常检测提出一种新方法GraphCore，通过提取视觉同构不变特征（VIIF）来进行异常测量，实验结果表明该方法在MVTec AD和MPDD数据集上的性能显著优于现有方法，并且只需极少量的正常样本进行训练。

创新点：

• 提出了一种特征增强的方法，用于研究由CNN生成的视觉特征的属性。
• 提出了一种名为GraphCore的新的FSAD方法，通过使用少量正常样本进行快速训练，实现了新产品的竞争性AD准确性表现，并且能够防止旧产品的异常迁移和适应。
• 提出了一种新的模型VIIG，可以从少量正常样本中提取视觉等距不变特征（VIIF），并将其添加到特征存储器中，从而提高了异常检测的准确性。

Few-Shot Anomaly Detection via Category-Agnostic Registration Learning

方法：论文提出了一种新颖的少样本异常检测方法，称为CAReg，通过学习通用的跨类别注册技术，仅使用每个类别的正常图像进行训练，从而实现了对新类别的无需微调的模型应用，提高了异常检测的准确性和效率。

创新点：

• 引入了一种类别无关的异常检测模型：通过将异常检测建模为一个比较任务，模型可以在不需要了解图像类别的情况下进行异常检测。通过特征级别的配准，模型可以将不同类别的图像进行比较，从而实现跨类别的异常检测。
• 提出了一种基于Siamese网络和空间变换网络的特征配准模块：通过特征级别的配准，模型可以将不同类别的图像进行对齐，从而提高模型的泛化能力和鲁棒性。

Toward Generalist Anomaly Detection via In-context Residual Learning with Few-shot Sample Prompts

方法：论文提出了一种名为 InCTRL 的新型小样本异常检测方法，旨在训练一个能够泛化到不同应用领域数据集的通用异常检测模型，而无需在目标数据上进行进一步训练。InCTRL通过对查询图像和少量正常样本提示之间的残差进行整体评估，实现了优秀的GAD泛化能力。

创新点：

• 引入了GAD任务，用于评估AD方法在不需要在目标数据集上进行训练/调优的情况下，在各种场景下识别异常的泛化能力。
• 提出了一种名为InCTRL的方法来解决这个问题。InCTRL通过在上下文中进行残差学习来实现优越的GAD泛化。通过图像级别和补丁级别的残差学习，InCTRL能够更好地捕捉查询图像和少样本正常样本之间的局部和全局差异。
• InCTRL允许将文本提示引导的正常/异常先验知识无缝整合到检测模型中，为文本-图像对齐的语义空间提供了额外的优势。

Few Shot Part Segmentation Reveals Compositional Logic for Industrial Anomaly Detection

方法：论文提出了一种新的分割模型，利用少量标记图像和正常图像之间共享的逻辑约束。作还提出了一种新颖的AD方法，其中包括基于分割的构建3个不同存储器的方法。为了生成统一的异常分数，作者引入了自适应缩放策略，这样该模型能够检测LA和SA，并且在用户所需的最小工作量下取得了显著的改进。

创新点：

• 利用部分分割进行异常检测（PSAD）：提出了一种新的异常检测方法，使用三个不同的内存库，利用视觉特征和语义分割来检测元素的局部和全局依赖关系。
• 自适应缩放方法：提出了一种自适应缩放方法，用于聚合具有不同尺度的异常分数，以确保可以可靠地比较分数。

论文原文+开源代码需要的同学关注“学姐带你玩AI”公众号，那边回复“FSAD”获取。