文章目录AbstractIntroductionRelated WorksMethodProblem FormulationOverViewRevisiting CLIP for Anomaly DetectionAdaptCLIP with Alternating LearningVisual AdapterTextual AdapterAdaptCLIP with Comparative LearningPrompt-Query AdapterTraining and InferenceExperimentsExperimental SetupComparisons with Zero-/Few-Shot MethodsComparisons with Many-Shot MethodsAblation StudiesConclusionpapercodeAbstract通用视觉异常检测旨在无需额外微调即可识别来自新颖或未见过视觉领域的异常这在开放场景中至关重要。近期研究表明如CLIP等预训练的视觉-语言模型仅需零或少量正常图像即可表现出良好的泛化能力。然而现有方法在设计提示模板、处理复杂的标记交互或需要额外微调方面存在困难导致灵活性受限。本研究提出了一种简单而有效的方法——AdaptCLIP该方法基于两个关键见解第一视觉与文本表示应交替学习而非联合学习第二在查询与正常图像提示之间进行对比学习时应同时考虑上下文信息和对齐的残差特征而不仅仅依赖残差特征。AdaptCLIP 将 CLIP 模型作为基础服务仅在输入或输出端添加三个简单的适配器视觉适配器、文本适配器和提示-查询适配器。AdaptCLIP 支持跨领域的零样本/少样本泛化并且在训练于基准数据集后可在目标领域实现无需额外训练的模式。AdaptCLIP 在工业和医疗领域的 12 个异常检测基准上取得了最先进的性能显著优于现有竞争方法。Introduction通用视觉异常检测AD旨在通过在基准数据集或已见数据集上训练一个单一模型识别出新出现或未见过的视觉对象中的异常图像并分割出异常像素。这一任务更具挑战性因为它需要在跨域数据集上具备强大的泛化能力同时它也更具现实意义因为在真实场景中人们更关注快速适应能力尤其是在数据量较少的情况下如少样本甚至零样本。例如在医学影像诊断和工业视觉质量检测中由于数据本身稀缺且涉及隐私保护很难收集大规模的数据集。近年来由于现有的无监督异常检测方法无论采用分离式[8, 25, 34]还是统一模型[11, 48]在处理未见过对象时表现不佳尽管在已见对象上性能良好因此开发通用视觉异常检测正受到越来越多的关注。为解决这一碎片化问题近期的研究尝试设计通用模型来识别未见过对象的异常情况。这些方法通常基于视觉-语言模型如CLIP[29]并受益于其强大的泛化能力。WinCLIP[16]在密集的图像块窗口上计算异常分数但这种方法带来了巨大的计算开销和内存负担限制了高分辨率输入或大型预训练模型的应用。AnomalyCLIP[53]学习类无关的提示嵌入以对齐每个图像块中的标记从而避免了密集窗口操作。它还通过将可学习的标记拼接至CLIP的中间层进一步优化了传统的CLIP。AdaCLIP[6]则进一步将视觉知识整合到文本提示嵌入中。然而这些方法可能会破坏CLIP原有的表示能力。因此我们希望探索是否可以在保持原有能力的同时实现相同甚至更优的性能。相比之下当输入与我们大脑中存储的正常模式显著偏离时人类会感知到异常。神经科学已有证据支持这一观点[31]。PatchCore[34]构建了一个记忆库用于存储正常特征而PaDiM[7]则学习了正常特征的多维高斯分布。在推理过程中系统通过将输入特征与记忆库或已学习的分布进行比较来识别异常。然而这些方法通常需要一定数量的正常图像因此在通用即开放世界场景下存在局限性。近期两项研究InCtrl[54]和PromptAD[23]探讨了如何利用少量正常图像进一步提升性能。但InCtrl仅关注异常分类而PromptAD则需为每个类别重新训练模型。与它们不同我们希望全面探索一种通用的异常检测模型旨在无需针对目标领域进行训练即可跨域检测图像级和像素级的任何异常。为此我们提出了一种简单而有效的通用视觉异常检测框架名为Adapt-CLIP。Adapt-CLIP的理念是“少即是多更简单更好”它包含三个适配器这些设计基于两个关键见解第一视觉与文本表示应交替学习而非联合学习第二查询与对应正常图像提示之间的对比学习应同时考虑上下文信息和对齐的残差特征而不应仅依赖残差特征。我们的贡献总结如下提出了一种基于视觉-语言CLIP模型的简单而有效的通用视觉异常检测框架该框架无需在目标领域进行训练即可从跨域数据集中检测图像和像素级别的任何视觉异常。•提出了视觉与文本适配器并发现它们应交替学习由CLIP模型强大的视觉-语言表示引导的自适应视觉与文本表征。•提出了一种提示-查询适配器旨在捕捉查询图像与对应正常图像提示之间的元感知能力其基础是查询与提示之间上下文特征的联合分布以及提示与查询之间对齐的残差特征。• 如图5所示在8个工业基准和4个医学基准上AdaptCLIP优于零样本和少样本AD方法。同时AdaptCLIP具有更简单的适配器、更少的参数以及更具竞争力的效率。Related Works无监督异常检测Unsupervised ADs的目标是在提供足够数量的正常训练图像的前提下识别异常样本。大多数无监督异常检测方法大致可分为三类嵌入型、判别型和重构型方法。嵌入型方法如PaDiM[7]、MDND[32]、PatchCore[34]、CS-Flow[35]和PyramidFlow[19]假设从预训练模型中提取的离线特征保留了判别信息从而有助于将异常样本与正常样本区分开来。判别型方法如Cut-Paste[21]、DRAEM[50]和SimpleNet[25]通常通过引入伪合成异常样本将无监督异常检测转化为有监督学习任务。重构型异常检测方法如自编码器[2,12,14,40]、生成对抗网络[27,45,49]以及重构网络[24,33,51]则认为异常区域不应能被正确重建因此由于这些区域在正常训练样本中并不存在导致重构误差较高。最近的知识蒸馏[4, 8, 36, 42, 43]或特征重建方法[11, 46, 48, 52]通过训练一个学生网络或重建网络使其与预训练好的教师网络相匹配从而在效果和效率之间取得良好平衡。然而这些方法仅限于识别已见类别的异常情况但在未见过的类别上往往表现不佳。对于新的应用场景人们必须先收集足够的正常图像再重新训练模型这种方式效率低下且缺乏实际应用中所需的快速适应能力。零样本异常检测Zero-Shot ADs通过使用大型视觉语言模型如CLIP [29]取得了令人瞩目的性能。WinCLIP [16]设计了两分类文本提示并引入多尺度补丁窗口以实现精确的异常分割但其带来了巨大的计算开销和内存负担限制了高分辨率输入或大预训练模型的应用。AnomalyCLIP [53]学习类无关的提示嵌入使补丁级标记对齐从而避免密集窗口操作。此外AnomalyCLIP通过在CLIP中间层添加一些可学习标记来优化标准CLIP表示。最近Ada-CLIP [6]和VCP-CLIP [28]采用了类似的思想并进一步将视觉知识整合到文本提示嵌入中。我们认为这些额外操作会使模型变得更加复杂可能损害CLIP原有的能力。相比之下ACR [20]和MuSc [22]采用的是非视觉语言模型仅需进行批处理级和全样本测试图像的零样本自监督但在隐私保护场景下可能存在局限性。与这些方法不同我们研究在不依赖测试数据分布信息的前提下是否仍能保持CLIP原有的能力并实现相同甚至更优的AD性能。少样本异常检测主要关注学习或仅使用少量普通图像例如TDG [37]、RegAD [15]、GraphCore [44]和FastRecon [10]。一些[9, 47] 考虑另一种少样本设置即从异常图像中提供少量样本这些方法的性能落后于无监督异常检测AD方法。最近视觉-语言模型显著提升了少样本AD的性能。Win-CLIP [16] 是首个将CLIP模型应用于少样本AD的研究它将正常token存储在记忆库中然后通过余弦相似度为每个查询token检索最接近的token并最终利用最短距离计算异常图。InCtrl [54] 进一步整合多级信息包括区域级残差图、图像级残差特征以及基于二分类文本提示的先验知识得分以学习一个用于异常分类的整体评分函数。该方法未考虑像素级异常分割。PromptAD [23] 引入了显式异常边界的概念以缓解因缺乏异常训练图像而带来的训练难题。然而当应用于目标数据集时这种方法需要重新训练模型。相比之下我们探索在统一模型中联合优化异常分类与分割任务仅需少量正常图像提示即可快速适应新场景无需额外的重新训练。MethodProblem Formulation我们的目标是学习一个通用的异常检测模型能够在无需对目标数据集进行训练的情况下从不同领域中检测出各类异常。因此合理的假设是训练集与测试集之间存在不同的分布。形式上设 Dbase {Xi,Yi,yi}Ni1 为训练数据集其中包含 N 张正常和异常图像Xi ∈Rh×w×3 表示第 i 张图像Yi ∈Rh×w 是对应的异常掩码yi {0,1} 是异常标签其中 yi 0 表示正常yi 1 表示异常。测试集 T 可能包含多个不同领域涉及各种对象和异常类型。此处我们记第 t 个新领域为 Dnovelt {Xi,Yi,yi}Nt i1。在少样本设置下从目标领域的每个类别中随机抽取少量正常图像 Pc {Xi}ki1其中 c 为类别索引k 通常是一个较小的数例如 k {1,2,4}。需要注意的是Pc 仅在推理阶段可用在训练阶段不能使用。AdaptCLIP的框架由三个可插拔适配器组成即视觉适配器、文本适配器和提示-查询适配器。首先前两个适配器交替学习用于零样本异常检测的视觉与文本表示第3.2节。提示-查询适配器进一步学习了在少样本异常检测中查询图像与其对应正常提示之间的对比能力第3.3节。训练完成后该适配器仅需少量甚至零样本的正常图像提示即可对任何异常进行分割。OverView如图2所示视觉适配器使用固定的二分类文本提示嵌入来适配补丁和图像标记。文本适配器学习二分类提示嵌入使其与固定的补丁和图像标记对齐。提示-查询适配器采用单提示元学习方式利用提示与查询之间的查询上下文特征和对齐残差特征的联合分布。在零样本场景下可利用文本和视觉适配器获得图像级异常分数和像素级异常图第3.2节。在少量样本场景下通过整合零样本和提示-查询适配器的预测结果得到异常分数和异常图第3.3节。Revisiting CLIP for Anomaly Detection对于查询图像 Xq ∈Rh×w×3我们将其输入视觉编码器 F(·)得到局部区域令牌 {Fqi ∈Rd}hw/p2 i1 以及全局图像令牌 fq ∈Rd其中 p 为区域大小。WinCLIP [16] 引入了两类提示分别描述正常状态和异常状态例如“一个正常物体的照片”和“一个损坏物体的照片”。在实际应用中可以为正常和异常状态设计多个文本描述。将这些正常和异常的描述输入文本编码器 T(·)即可获得正常状态的嵌入 wn ∈Rd 和异常状态的嵌入 wa ∈Rd。像素级异常图通过计算所有区域令牌与文本嵌入之间的余弦相似度来生成即其中 ⟨·⟩ 表示余弦相似度[·] 表示将所有区域预测得分根据其空间位置重新排列并插值到原始输入分辨率。将式1中的 Fqi 替换为 fq即可得到 Xq 的图像级异常分数 yˆ即AdaptCLIP with Alternating Learning为了将CLIP用于通用的视觉异常检测我们设计了视觉和文本适配器以交替学习视觉和文本表示。具体而言当固定两分类的静态文本嵌入wa和wn时视觉适配器学习自适应的视觉标记Fqi′和fq′而当固定视觉标记Fqi和fq时文本适配器则学习两分类的文本提示嵌入w′a和w′n。Visual Adapter视觉适配器通过固定的文本嵌入wa 和 wn来适配视觉标记Fqi 和 fq。它由两个分支组成分别是全局分支和局部分支分别用于转换全局图像标记和局部区域标记。在结构上全局和局部分支均采用简单的残差多层感知器MLP实现。其中θvl 和 θg v 是可学习的参数。将方程 1 和 2 中的 Fqi 和 fq 替换为 Fqi′ 和 fq′即可得到像素级异常图 Yˆv 和图像级异常得分 yˆv。、Textual Adapter文本适配器旨在直接学习两个类别的提示 θa、θn ∈ Rr×d其中 r 0 是提示的长度。我们将它们输入到 CLIP 的固定文本编码器 T(·)并得到相应的嵌入 w′a 和 w′n即然后我们将方程1和2中的静态参数wa和wn替换为可学习的提示嵌入w′a和w′n从而得到局部和全局的异常预测值Yˆt和yˆt。交替学习还是联合学习一个可能的问题是我们能否同时学习视觉和文本表示。也就是说在公式1和2中我们可以同时用可学习的提示嵌入w′a 和 w′n替换固定的文本嵌入和视觉标记并用自适应的视觉标记Fqi′ 和 fq′进行替换。事实上当拥有大规模的图文数据集时这种联合对齐机制是有效的。然而我们通过实验证明在AD领域这种方法表现不佳如表5所示。这并不令人意外因为可用的训练数据规模仍然相对较小且缺乏细粒度的文本标注。联合学习容易过拟合导致在新数据集上泛化能力差。相比之下交替学习有助于我们充分利用CLIP模型的先验知识从而提升跨域泛化性能。AdaptCLIP with Comparative Learning与静态或可学习的文本提示相比使用普通图像作为视觉提示更加直观。因此我们期望能够学习到查询图像 Xq 与其对应的标准提示 Xp 之间的对比能力这种能力能很好地推广到未见过的对象上。我们发现应用多层特征能获得更好的结果。为简化起见以下采用单层特征。空间对齐一种简单的方法是直接通过残差特征的绝对值来测量它们之间的差异即 |Fqi − Fp i |其中 Fqi 和 Fp i 分别为 Xq 和 Xp 的片段标记。如果查询图像和提示图像在像素空间中未对齐例如由于旋转或平移这种方法可能失效。因此为了有效比较我们必须对查询和提示标记进行对齐。对于任意查询标记 Fqi我们使用欧氏距离在所有正交标记 {Fpj}hw/p2 j1 中搜索最近的一个即然后我们将 Fpi′ 视为与 Fq i 对齐的提示令牌。接下来我们可以推导出对齐的残余特征即 |Fqi − Fp′i|。联合上下文和对齐残余特征对齐残余特征能有效突出差异或异常区域但可能丢失上下文信息或引入噪声。直观而言上下文信息对于识别异常至关重要。因此我们通过逐元素求和的方式将原始查询令牌与对齐残余特征进行聚合。Prompt-Query Adapter快速查询适配器最终目标是实现像素级异常分割和图像级异常分类。因此我们提出了一种轻量级分割头 G(·; θpl)基于联合特征 F¯ 学习异常分割即其中θpl 是其参数。具体而言分割头由多个转置卷积块组成这些块位于一个 1×1 卷积层之后。在此处每个转置卷积块将输入特征上采样 2 倍其结构包括一个 3×3 卷积、批量归一化BatchNorm、ReLU 激活以及一个 2×2 反卷积。与此同时我们需要获得一个全局图像级的预测结果。首先对联合特征 F¯ 沿空间维度进行平均池化和最大池化然后取它们的加权平均值作为全局图像表示。接着使用一个简单的多层感知机MLP将全局特征映射到图像级预测得分上即Training and Inference在训练过程中我们使用交叉熵损失进行全局图像异常分类以及Focal和Dice损失进行局部区域异常分割这与AnomalyCLIP[53]完全相同。对于零样本推理我们取视觉适配器和文本适配器的预测结果平均值。对于少样本推理我们将三个适配器即提示-查询、视觉和文本适配器的所有结果融合即取平均作为AdaptCLIP的最终预测。图3展示了Adapt-CLIP像素级推理的PyTorch伪代码其中W[waT; wnT]Wa[w′aT; w′nT]Fq和Fp分别表示固定的Fqi和Fpi而Fqa和Fpa则分别指自适应的Fq′和对齐的Fp′。此处我们省略了图像级推理因为只需将局部区域标记替换为全局图像标记即可轻松获得。ExperimentsExperimental Setup数据集我们在工业和医疗领域的多个数据集上对AdaptCLIP进行了全面评估。在工业领域我们使用了MVTec [3]、VisA [55]、BTAD [26]、MVTec3D [5]、DTD [1]、KSDD [38]、MPDD [17]以及大规模的Real-IAD [41]。在医疗领域我们采用了脑肿瘤检测数据集Br35H [13]和COVID-19 [30]以及胃肠息肉数据集Kvasir [18]和Endo [39]。评估指标与以往研究一致我们在主论文中使用AUROC进行图像级异常分类使用AUPR进行像素级异常分割。此处我们强调对于异常分割任务而言由于正常像素与异常像素之间的类别不平衡问题极为严重因此AUPR更为适用[55]。在附录中我们也提供了使用所有指标包括AUROC、AUPR和F1max的详细对比结果。训练与测试协议在遵循异常检测方法CLIP [53] 的基础上我们使用MVTec的测试数据对AdaptCLIP进行训练并在其他数据集上评估其零样本/少样本性能。对于MVTec的评估我们使用VisA的测试数据训练Adapt-CLIP。为确保公平比较所有模型均采用相同的训练和评估协议。对比方法我们将AdaptCLIP与多种先进的零样本/少样本AD方法进行比较包括零样本WinCLIP[16]、AnomalyCLIP[53]、Ada-CLIP[6]、少样本WinCLIP[16]、InCtrl[54]和AnomalyCLIP[54]。其中AnomalyCLIP是基于AnomalyCLIP[53]构建的强基线模型并通过添加类似WinCLIP的补丁级特征关联来增强性能。有关AdaptCLIP及其它对比方法的更多实现细节请参见附录。Comparisons with Zero-/Few-Shot Methods表1和表2分别展示了AdaptCLIP在图像级异常分类和像素级异常分割任务中与零样本/少样本方法的对比结果数据来自8个真实工业级AD数据集和4个医学AD数据集。需要注意的是由于缺乏像素级标注我们仅使用图像级指标来评估Br35H和Covid而Kvasir和Endo两个数据集中未包含正常图像因此我们仅报告了基于像素级指标的结果。以下将对这些结果进行详细分析。工业领域上的泛化表现总体而言在三种少样本设置1次、2次和4次下Adapt-CLIP在几乎所有工业数据集上均显著优于所有竞争模型。随着图像提示的增加所有方法的性能通常会提升。具体而言InCtrl[54]通过在基础训练数据集上进行额外的微调超越了WinCLIP[16]。Anomaly-CLIP[53]进一步实现了更好的泛化能力这验证了学习对象无关提示的重要性。AdaptCLIP表现出更优异的性能其性能远超Anomaly-CLIP[53]在像素AUPR上约高出10%以上在图像AUROC上高出2%以上尤其在VisA和Real-IAD等具有挑战性和大规模的数据集上表现突出。这表明基于联合上下文和对齐残差特征的比较学习在通用异常检测中具有强大优势。在零样本设置下AdaptCLIP-Zero在异常分类任务上显著优于当前最优的AdaCLIP[6]尽管在工业级异常分割方面略显不足。然而AdaptCLIP结构更简单需要的学习参数更少0.6M vs. 10.7M见表3且从工业领域到医疗领域的泛化能力更强。此外当仅提供一张正常图像提示时我们的单次适应型Adapt-CLIP也能轻松超越零样本AdaCLIP[6]。在医疗领域的推广我们的AdaptCLIP在医疗领域表现优异无论是在零样本还是少样本设置下只要使用在工业数据集如MVTec上训练的相同模型即可。令人惊讶的是在图像异常分类AUROC为6.3%和像素异常分割AUPR为8.6%任务中其性能显著优于当前最先进的AdaCLIP。值得注意的是即使用异常图像替换正常图像提示我们的方法仍能有效工作。这对于某些不包含任何正常图像的特殊数据集如Kvasir和Endo具有重要意义。效率对比我们通过参数数量和前向推理时间来衡量复杂性和效率如表3所示。评估在单个V100 GPU上进行批量大小为32。AdaCLIP和AnomalyCLIP的参数数量分别为我们的AdaptCLIP的17倍和9倍。与当前最优方法相比AdaptCLIP在推理时间上具有竞争力同时在异常检测性能方面表现更优。当从零样本到单样本迁移时AnomalyCLIP和我们的AdaptCLIP几乎不需要额外的推理时间而此前的WinCLIP则需要更多时间。定性结果图4展示了使用AdaptCLIP对工业和医学测试图像进行的部分可视化结果。总体而言少量样本的正常图像提示有助于AdaptCLIP更准确地分割异常并产生比零样本方式更少的误报。Comparisons with Many-Shot Methods在表4中我们对比了少样本AdaptCLIP与多样本及全样本统一的AD模型。可以看出AdaptCLIP优于早期的多样本方法Re- gAD[15]其性能与最新的PromptAD[23]相当。值得注意的是PromptAD[23]需要使用少量样本的正常图像进行重新训练而我们的方法在目标域上无需重新训练即可完成学习。此外我们的方法在性能上优于SimpleNet[25]和UniAD[48]等全样本方法并且与最新的OneNIP[11]具有竞争力。总之尽管目前在全样本最先进的方法上仍存在一些较小差距但我们的方法在通用异常检测的开放世界场景下表现出色。Ablation Studies为了验证在AdaptCLIP中提出的三种适配器——文本适配器TA、视觉适配器VA和提示-查询适配器PQA的有效性并基于联合上下文与对齐残差特征提出两种主要见解交替学习与比较学习我们在MVTec和VisA数据集上进行了实验并将结果列于表5中。简单但有效的基线模型。第一个基线是朴素的CLIP第0行仅使用二分类文本提示即可实现零样本异常检测结构简单且效果良好。然而在像素级异常分割方面仍表现较弱。另外两个基线分别是文本适配器和视觉适配器。具体而言文本适配器可视为AnomalyCLIP[53]的极端简化版本去除了文本提示模板和文本提示调优机制。该简单的文本适配器在异常分类任务上优于原始的AnomalyCLIP和朴素CLIP但在异常分割方面略逊一筹第0行 vs 第1行。而视觉适配器则学习自适应的局部区域标记和全局图像标记用于在区域和图像两个层次上对CLIP生成的文本表示进行对齐从而显著提升了像素级异常分割性能第0行 vs 第2行。交替学习优于联合学习。我们研究了交替学习与联合学习策略对AdaptCLIP性能的影响。交替学习分别独立地调整视觉或文本表示而联合学习则同时优化两种表示。如表5所示第3行 vs 第4行交替学习策略相比联合学习显著提升了AdaptCLIP的性能。交替学习不仅充分利用了CLIP视觉和文本表示的强先验引导还降低了在小训练数据集上进行微调时过拟合的风险。此外我们观察到仅使用视觉适配器在异常分割方面表现优异第2行而仅使用文本适配器在异常分类方面表现更佳第1行。通过将交替学习整合到视觉和文本适配器中AdaptCLIP总体上实现了更优的异常检测性能第4行。结合上下文信息与对齐残差特征的效果优于仅使用残差特征。对齐残差特征能够捕捉异常特征与其对应正常特征之间的差异有效消除与个体对象相关的特征从而提升泛化能力。然而我们发现孤立的残差特征可能丢失视觉对象的上下文信息导致模型性能下降甚至训练失败第5行。因此我们提出了一种基于上下文信息和对齐残差特征的联合特征学习方法显著提升了模型性能第6行对比第5行。这意味着在异常检测中上下文信息同样重要。值得注意的是当所有提出的组件集成使用时AdaptCLIP的性能达到最优第7行。对预训练CLIP模型的影响。表6展示了AdaptCLIP在不同CLIP模型上的零次和一次-shot实验结果。可以看出更大的预训练模型始终带来更好的性能尤其是在图像级分类方面表现更优。此外我们采用轻量级模型ViT-B-16240的方法使得在异常分割任务上仍能实现具有竞争力的性能。Conclusion本文提出了一项通用异常检测任务旨在将异常检测模型推广到工业和医疗等不同领域以及零样本或少量样本等开放场景中。一旦通用异常检测模型完成训练便无需对目标数据集进行任何微调。与单零样本或少样本异常检测模型相比通用异常检测模型更具灵活性可通过固定或可学习的文本提示以及少量正常图像提示实现零样本或少样本推理同时提供图像级和像素级的异常预测。我们提出了一种通用异常检测框架——AdaptCLIP该框架交替学习自适应的视觉表示与文本提示嵌入并联合学习基于查询图像上下文信息及查询与提示之间对齐残差特征的对比信息。在8个标准工业数据集和4个医学数据集上的大规模实验表明AdaptCLIP在多种场景下显著优于当前主流竞争模型。LimitationsAdaptCLIP仅在提供零样本或少量样本的正常图像提示时才能获得良好的异常检测性能。然而当我们将异常图像作为正常图像提示时模型可能会将正常与异常实例混淆最终导致性能下降。幸运的是在实际应用中通常相对容易获取正常图像。此外即使在异常图像中大多数像素也可能属于正常情况因此使用异常图像作为视觉提示可能仍能有效工作。
