在工业质检、医学影像分析等应用场景中，自动检测异常（如产品瑕疵或患者病灶）的需求十分迫切。但现实是，异常样本往往稀少且难以提前收集，传统依赖大量异常样本标注数据的方法行不通。

近年来，虽然像基于CLIP这样的视觉—语言模型的零样本异常检测方法提供了有前景的解决方案，但其需要借助大规模预训练知识，在面对更加精细的异常检测任务时，存在前景目标与复杂背景难以区分、单一文本描述难以准确表达异常类型、图像与文本的语义匹配不够准确等挑战。

“针对上述问题，我们提出了FB-CLIP框架，让模型能更精准地聚焦目标区域、更灵活地理解异常语义，并作出判断。”团队成员胡明介绍，在视觉建模上，该框架通过设计专门机制将图像中的前景目标与背景分离，并抑制背景干扰，使模型更精准专注于异常区域；在文本建模上，综合运用多种不同的策略来提取图像特征，让模型对“什么是异常”理解得更精细、更灵活；在跨模态对齐上，引入语义一致性的训练原则，增强图像与文本之间的匹配可信度，拉开正常与异常样本的判别距离。

实验结果表明，该方法在多个工业检测和医学影像数据集上展现出优异性能，尤其在高精度的异常定位任务中表现突出，达到国际领先水平。

“这意味着，该成果有望在医学影像辅助诊断、工业缺陷检测等领域发挥实际作用。”胡明告诉记者，“下一步，我们计划和武汉大学中南医院开展验证合作，进一步探索其在现实场景中的适用性。”

据悉，王荃团队长期深耕于计算机视觉与生物医学成像、脑机智能等交叉方向，并取得了一系列重要进展，研究成果均发表于相关领域国内外极具影响力的学术会议或期刊上。团队此次研究得到了陕西省技术创新引导计划项目、湖北省自然科学基金资助，中国科学院以及西安市重点实验室支持。