ReConPatch：面向工业异常检测的对比式 patch 表示学习

基于摘要分析。ReConPatch 研究工业图像中的产品缺陷检测，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目标数据存在差异的问题，通过学习预训练模型所提取 patch 特征的线性调制，构建面向目标数据的异常检测表示。 其核心是对比表示学习：在缺少带标签样本对的条件下，利用表示之间的成对相似性（pairwise similarity）与上下文相似性（contextual similarity）作为伪标签，引导特征聚集与分散，以提高表示的可分性。摘要未给出两种相似性的计算方式、组合规则、具体损失、预训练骨干及异常评分流程，尚不能据此还原实现。相较摘要讨论的既有路线，其方法重点是适配预训练 patch 特征，并以相似性伪标签提供对比学习监督；是否完全不依赖输入增强仍需正文确认。 作者报告在 MVTec AD 和 BTAD 上分别取得 99.72% 与 95.8% 的异常检测性能，并称达到当时最先进水平；但摘要未注明指标名称、图像级或像素级评估、数据划分及对照设置，因此不能将这些数值解释为 Accuracy，也不能直接与其他协议下的结果比较。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，以局部表示的相似关系生成伪标签，并用轻量线性调制适配目标域，或可用于 EEG 预训练特征与目标数据不匹配的问题；这不是已验证的 BCI 效果。原方法依赖工业图像 patch 的表示及其邻域结构，迁移时需将 patch 构造与相似性定义改为适合 EEG 时间窗或通道片段的形式。低信噪比、伪迹及被试或通道差异可能使伪标签主要反映非任务因素，小数据也可能导致邻域估计不稳定。可在固定的跨被试划分中，对比冻结特征、仅线性调制和加入相似性伪标签对比学习三种设置，检验增益是否确实来自表示适配。已有 EEG 相关工作尚未检索确认。