零样本缺陷检测不再逐窗扫描：RADIOlogy 单次前向在工业与医学基准上同时给出检测与分割
核心概要
零样本异常检测此前多依赖 CLIP 的滑窗多尺度推理，或需要辅助数据集的分割掩码做提示学习。RADIOlogy 利用多头部注意力池化编码器天然保留的图块—文本对齐，用正常与异常提示的平均相似度差做对比打分，一次前向即给出图像级异常分数与像素级异常图。在七个工业与七个医学基准上，其训练无关设置下的平均图像 AUROC 为工业 92.6、医学 97.3，像素 AUROC 为工业 95.2、医学 87.3。
深度剖析
零样本异常检测可以在不训练、不滑窗的前提下完成：一张图只做一次前向，就同时得到图像级异常分数和像素级异常图。 此前的训练无关路线以 WinCLIP 为代表，需要在每张图上做多尺度滑窗、对大量局部裁剪提取 [CLS] 令牌，以绕开标准 CLIP 图块级视觉—语言对齐偏弱的问题，代价是推理延迟与算力开销。 在七个工业与七个医学基准上，RADIOlogy 的平均图像 AUROC 为工业 92.6、医学 97.3，平均像素 AUROC 为工业 95.2、医学 87.3；同一张表里 WinCLIP 的平均图像 AUROC 为工业 79.9、医学 85.5，平均像素 AUROC 为工业 77.9、医学 69.2。
打分不比较绝对相似度，而是比较视觉特征与一组正常提示、一组异常提示之间的平均相似度之差，异常与否由这个差值决定。 这套提示集合沿用 WinCLIP 的模板与状态词，因此变化来自编码器与打分方式，而不是重新设计提示。 主干为 C-RADIOv4-h，每张图在 448 分辨率下编码一次；像素图经双线性上采样并做高斯模糊后评估，全部十四个基准共用同一组数值超参数。
像素级定位靠同一次前向里的三路信号叠加：图块—文本差值、由主干稠密特征构建的内容自适应亲和图扩散，以及 SAM3 对齐特征上的球面 k-means 部件聚类。 方形窗口池化会把物体与背景混在一起，边界分辨率低；改用按语义相关性加权的邻域后，缺陷范围能扩散到真实边界。 在工业基准上逐项加入上下文池化、亲和细化与区域池化，像素 AUROC 从 89.5 依次升到 93.7、94.6 和 95.2，max-F1 从 24.3 升到 28.9、33.6 和 37.8。
启示与展望
演示范围是训练无关的零样本设置：目标域不提供任何训练样本，评测覆盖七个工业与七个医学基准，医学侧检测用 HeadCT、BrainMRI、Br35H，定位用 ISIC、ClinicDB、ColonDB、TN3K。前景先验假设背景位于图像边缘且相对规整。
前景先验在物体偏离中心并触及图像边框时会失效，作者把引入深度估计头列为后续方向。检测与定位之间仍存在性能差距，作者提出多分辨率令牌表示与微调 C-RADIOv4 主干两条后续路径。此外，流水线对极端长宽比敏感，KSDD 上需按长边切分成方形条带后分别打分。