في عالم الذكاء الاصطناعي والإلكترونيات، باتت إمكانية اكتشاف anomalies (الاكتشاف غير العادي) عن طريق نماذج التأسيس للرؤية (Vision Foundation Models) أسهل وأسرع. ومع ذلك، كانت معظم الأساليب المتاحة حتى الآن تركز على الميزات المحلية المستقلة، مما أضعف استغلال المعلومات السياقية العالمية التي توفرها نماذج Vision Transformers (ViTs).

مؤخراً، قدم باحثون إطار عمل جديد يُعرف باسم DuoAD، والذي يستفيد بشكل كامل من الخصائص المزدوجة للتوكن [CLS] في نموذج ViT. حيث يقدم هذا التوكن تمثيلاً دلالياً عاماً للأ anomalies، بينما تسلط خرائط الانتباه الضوء على المناطق غير الطبيعية.

بناءً على هذه الملاحظة، يدعم DuoAD إطار عمل اكتشاف anomalies أوتوماتيكي بالكامل، يقوم بإزالة الحاجة إلى التعديلات اليدوية، من خلال تقديم:
1. استراتيجية اختيار تعزّز من قبل مستويات متجانسة على مستوى [CLS].
2. آلية إعادة وزن الميزات الموجهة بالانتباه التي تعدل التزامات الأجزاء ديناميكياً وفقًا لمدى أهمية الانتباه لـ [CLS].

من خلال دمج هذه المكونات على مستوى متعدد من الميزات، يمكن لطريقة DuoAD أن تحقق درجات دقيقة وثابتة للاكتشاف دون الحاجة إلى تدريب أو ضبط المعلمات. في بيئات اختبار واحد، حققت الطريقة درجات Image-AUC قدرها 97.7% على مجموعة MVTec-AD، و93.2% على مجموعة VisA، و84.5% على مجموعة Real-IAD.

باستخدام تكوين ثابت عبر الفئات والمحاور ومجموعات البيانات، حققت هذه الطريقة مستويات عالية جديدة للاكتشاف اللاعادي، بينما تُحافظ على قوة التحمل والتوسع العملي. يعد DuoAD بحق خطوة جديدة ومهمة في عالم الذكاء الاصطناعي.