# 视觉脚手架

基于大视觉语言模型的逻辑异常检测把每条约束拆成文本清单逐项核对，但每项读到的仍是同一张原始图像，模型必须从同一输入里提取不同形态的视觉证据。CASCADE把分解扩展到图像一侧，按约束类型叠加逐实例着色或物体锚定网格；CASCADE++再从约束结构和参考分布推导脚手架配置。在MVTec-LOCO上，CASCADE++仅用三张参考图、不做训练即超过全量训练的最强方法，并迁移到多个视觉语言模型骨干。

基于大视觉语言模型的逻辑异常检测把每条约束拆成文本清单逐项核对，但每项读到的仍是同一张原始图像，模型必须从同一输入里提取不同形态的视觉证据。CASCADE把分解扩展到图像一侧，按约束类型叠加逐实例着色或物体锚定网格；CASCADE++再从约束结构和参考分布推导脚手架配置。在MVTec-LOCO上，CASCADE++仅用三张参考图、不做训练即超过全量训练的最强方法，并迁移到多个视觉语言模型骨干。