北邮&中国电信提出SSVP：CLIP+DINOv3强强联手，零样本工业异常检测新SOTA

来源：我爱计算机视觉

在工业视觉检测中，零样本异常检测 (ZSAD) 是个理想的“圣杯”——无需目标域训练，直接上手就能检。然而，现有的基于 VLM（如 CLIP）的方法往往面临两难：CLIP 擅长全局语义（懂什么是“瓶子”），但对细微的划痕、裂纹等局部结构“视而不见”。

北京邮电大学和中国电信人工智能研究院 (TeleAI) 的研究团队提出了 SSVP (Synergistic Semantic-Visual Prompting) 框架。他们不仅引入了 DINOv3 来补充细粒度视觉特征，更通过一种深度的“语义-视觉协同”机制，让 Prompt 不再是死板的文本，而是能根据视觉内容动态变化的“灵动指令”。

该方法在 MVTec-AD 上达到了 93.0% 的 Image-AUROC，横扫 7 个主流工业数据集，刷新了 SOTA！

• 
  

  论文标题 : SSVP: Synergistic Semantic-Visual Prompting for Industrial Zero-Shot Anomaly Detection

• 论文地址 : https://arxiv.org/abs/2601.09147

• 机构 : 北京邮电大学, 中国电信人工智能研究院 (TeleAI)

传统的 ZSAD 方法（如 WinCLIP）喜欢用简单的加权融合来结合 CLIP 和视觉特征，这种“浅层融合”就像是用胶水硬粘，虽然勉强能用，但没法解决核心矛盾：

• 语义太泛 ：CLIP 的特征太高级，容易忽略工业场景中至关重要的纹理细节。

• Prompt死板 ：现有的 Prompt 生成（甚至单纯的概率式生成）缺乏视觉条件的强约束，导致生成的文本指令“对牛弹琴”，无法精准锚定特定的异常模式。

• 全局与局部割裂 ：全局打分往往被大面积的背景噪声掩盖，漏掉微小的缺陷。

如下图所示，SSVP 提出了一种基于“深度协同流”的新范式，这里的 Prompt 生成是视觉条件 (Vision-Conditioned) 的，真正做到了“看图说话”。

02 方法详解：SSVP 三重奏

SSVP 的架构（图2）设计得非常精巧，主要由三个模块组成，分别解决上述三个痛点。

2.1 层级语义-视觉协同 (HSVS)

这是基础底座。作者引入了DINOv3作为＂视觉专家＂来补充 CLIP 的细粒度结构特征。核心组件是自适应Token特征融合（ATF）模块。

它首先将 CLIP 和 DINOv3 的局部特征投影到共享子空间：

然后通过双路交叉注意力（Bi－Attn）显式注入结构先验。比如，用 CLIP 的语义去查询 DINO 的结构细节：

最终，将双向交互的特征拼接并融合，生成兼具语义理解和结构感知的协同特征 ：

2.2 视觉条件 Prompt 生成器 (VCPG)

传统的 Prompt 是＂静态＂的，SSVP 则让 Prompt＂看图说话＂。VCPG 引入了VAE（变分自编码器）来对视觉特征的分布进行建模。

• 潜变量建模 ：编码器 从协同特征中预测分布参数，并利用重参数化技巧采样出 视觉隐变量（Visual Latent Bias） ：

• 动态注入 ：通过交叉注意力（Text－Latent Cross－Attention），让文本 Embedding 根据 进行动态调整，生成视觉增强的残差 ，并通过门控标量 注入：

这意味着，如果图中有疑似裂纹，Prompt 就会在特征空间中向＂裂纹＂语义偏移。