ADPretrain：通过异常表征预训练推进工业异常检测

基于摘要分析。ADPretrain 研究工业图像异常检测，针对 ImageNet 预训练目标与正常—异常区分不匹配、自然图像与工业图像存在分布偏移的问题，提出专用于工业异常检测的表征预训练框架。其贡献是将异常区分目标纳入预训练，并在工业异常检测数据上学习可供下游方法替换使用的特征。 核心机制包括面向角度与范数的对比损失，旨在同时增大正常与异常特征之间的夹角及范数差异；预训练使用 RealIAD，以减轻自然图像向工业图像迁移时的分布偏移。作者还基于其称为具有类别泛化能力的 residual features 学习表征，以缓解预训练数据与下游异常检测数据之间的潜在偏移。损失的具体形式、样本构造与监督要求，以及 residual features 的计算方式尚未验证。 评估采用特征替换方式：在五种基于嵌入的异常检测方法中，用 ADPretrain 表征替换原有特征。作者报告，在五个异常检测数据集和五种骨干网络的实验中，预训练特征均表现出优势。摘要未提供具体指标、提升幅度、数据划分或各配置结果，实验协议、消融及统计信息尚未验证。材料提供了代码链接，但实现与复现条件尚未核验。 平台推测（待验证）：若 EEG 任务具有明确且可用的正常—异常监督，角度与范数联合约束可作为异常表征学习的候选机制，而非已验证的 BCI 方法。可复用的是目标函数思路；图像特征提取器、residual features 定义及样本配对需按时序信号改造。EEG 的低信噪比、跨被试差异和通道尺度变化可能使范数反映伪迹或采集条件，而非目标异常。一个可证伪的小实验是在固定 Cross-subject 划分、编码器和预处理的条件下，对比原训练目标与加入该联合约束的结果，并检查收益是否在幅值归一化后仍成立。相关 EEG 工作尚未检索确认。