ReConPatch：用于工业异常检测的对比式图像块表征学习

基于摘要分析。ReConPatch 面向工业制造中的产品缺陷检测，针对缺陷样本稀少、缺陷类型未知，以及自然图像预训练特征与工业目标数据不匹配的问题，通过对预训练模型提取的 patch 特征进行线性调制和对比表征学习，构建面向目标数据的可分表征。 核心机制是利用表征间的成对相似度（pairwise similarity）与上下文相似度（contextual similarity）作为伪标签，缓解对比学习缺少标注样本对的问题，并引导特征聚集与分散。摘要将预训练特征的目标域适配，以及既有方法对精心设计的数据增强的依赖作为研究动机；具体相似度定义、伪标签组合方式、对比损失及推理流程尚未验证。 作者报告，在 MVTec AD 与 BTAD 上的异常检测性能分别为 99.72% 和 95.8%，并称达到当时最优水平。但摘要未明确这些百分比对应的指标、图像级或像素级评估、数据划分和对照基线，因此不能将其直接解释为 Accuracy，也不能据此跨协议比较。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，用目标数据中的邻域关系构造伪标签，可能有助于缓解 EEG 预训练表征与目标域之间的偏移；原方法依赖预训练视觉 patch 表征及其相似度结构，并非已验证的 EEG 方法。若探索迁移，需要将视觉 patch 改为 EEG 时间窗或时频片段，并重新设计上下文关系。低信噪比、伪迹和被试或通道差异可能使伪标签聚集的是干扰而非任务相关信息，小数据也可能导致邻域估计不稳定。一个可检验的小实验是在固定 Cross-subject 划分和相同 EEG 编码器下，对比冻结特征、仅线性调制及加入相似度伪标签的对比适配，并核对伪标签可靠性；已有 EEG 相关工作尚未检索确认。