结合视觉层次结构的知识引导分布式提示学习：面向零样本异常检测

基于摘要分析。本文研究工业视觉检测与医学影像中的零样本异常检测（ZSAD），目标是借助辅助图像识别此前未见类别中的异常。作者提出 Hierarchical Knowledge-Guided Distributional Prompt Learning（HiDist），将以正常状态为参照的提示分布建模与层次化表征结合，同时支持图像级异常检测和像素级异常定位。 核心机制是将每个提示 token 建模为对角高斯分布，并通过 Monte Carlo 采样生成随机提示变化。与分别学习正常和异常提示分布不同，HiDist 将异常提示分布参数化为相对于已学习正常参照的偏移，显式表达二者的依赖关系。随后，提示分布被专门化为用于检测的全局表征和用于定位的局部表征，并由经过适配的全局视觉表征引导层次对齐。摘要未展开知识引导的具体来源、视觉适配方式、训练目标及采样设置。 作者报告，在七个工业与医学数据集上，HiDist 在异常检测和定位任务中具有较强的跨数据集表现，并称消融实验与表征分析支持分布建模及层次特定表征学习的有效性。摘要未提供数据集名称、指标数值、训练与测试划分或对照基线，因此尚不能量化收益或判断各模块的独立贡献；实验协议、消融及统计信息尚未验证。 本文主要对象是视觉异常检测，而非 EEG 或 BCI。当前材料未给出神经信号任务中的具体机制对应或验证证据，不宜将其结果直接外推为 BCI 有效性；已有 EEG 相关工作尚未检索确认。复现前需核对基础视觉语言模型、辅助数据及类别划分、正常参照的学习方式，以及全局与局部任务的训练和评估配置。