近日，國際人工智能頂尖會議The 39th Annual AAAI Conference on Artificial Intelligence (AAAI 2025) 論文錄用結果揭曉，由清華大學及凌云光知識理性研究院合作的論文《通過自感知調優的SAM可調異常分割》（Promptable Anomaly Segmentation with SAM Through Self-Perception Tuning）成功入選，團隊創新性地提出自感知調優方法，在少量異常樣本下實現高效精準的異常分割，在鋰電、3C電子等行業具有廣泛應用潛力。

AAAI是由國際人工智能促進協會主辦的年會，是人工智能領域中歷史最悠久、涵蓋內容最廣泛的國際頂級學術會議之一，也是中國計算機學會（CCF）推薦的A類國際學術會議。AAAI 2025競爭異常激烈，這次會議共收到破紀錄的12,957篇有效投稿，最終僅錄用了 3,032篇論文，錄用率為 23.4%。

本次入選論文聚焦于使用Segment Anything Model（SAM）進行異常分割。SAM在分割任務中展現了強大的泛化能力，尤其是在自然圖像處理領域取得了顯著的進步，但在工業場景中的應用卻面臨著一系列挑戰，如領域偏移（工業圖像與自然圖像差異大，導致現有模型無法準確適應工業場景）、樣本稀缺（異常樣本數量有限，訓練數據不足）、標注困難和成本高（工業異常樣本難以標注且需要大量專家參與），導致現有的缺陷檢測算法在實際應用中難以提供準確和高效的解決方案。

研究團隊提出了自感知調優（Self-Perception Tuning, SPT）方法，通過粗略的初步識別和精細修正相結合的過程，并增強了模型對異常區域間關系的感知，提高了SAM在面對領域偏移時的適應性。同時，SPT減少了對大量人工標注數據的需求，進而降低了成本。實驗結果顯示，SPT方法在多個公開工業數據集上表現出色，成功克服了工業場景中的多重挑戰，顯著提升了在少樣本情況下的異常分割精度。

自感知調優（SPT）方法框架概述

凌云光深耕“視覺+AI”技術，早在2008年便推出了自研底層算法平臺VisionWARE，性能與全球領先企業對標。在2022年建立了面向工業領域的通用大模型F.Brain，并廣泛應用于3C、新能源、立體視覺、印刷、新型顯示等多個行業，助力頭部客戶解決難題。本論文是基于凌云光LVM視覺大模型在缺陷檢測領域的最新探索，在缺陷檢測領域應用并發揮LVM大模型強大的泛化能力，提升工業缺陷分割的性能。
隨著人工智能等技術的飛速發展，產業界與學術界的深度合作正變得愈發重要。凌云光一直致力于推動科技與產業的融合，未來將繼續深化產學合作，圍繞視覺AI、智能制造、工業互聯網等領域深耕細作，將前沿的科研成果轉化為切實可行的解決方案。