近日，实验室硕士生靳瑞扬关于工业异常检测的研究成果被国际期刊 Information Fusion 录用。Information Fusion 是人工智能与信息融合领域的国际权威期刊，位列中科院一区，影响因子15.5。

论文题目：DCRS: Attention-Guided Dual-Channel Reasoning Segmentation for Industrial Anomaly Detection

中文题目：DCRS：面向工业异常检测的注意力引导双通道推理分割框架

摘要：工业异常检测是智能制造中的重要环节，需要模型准确识别异常并实现像素级定位。近年来，多模态大语言模型为工业检测引入了自然语言交互与语义推理能力。然而，现有方法大多采用彼此解耦的“感知—推理”范式，依赖独立模块预先生成异常热图，再将其输入多模态大语言模型。这种多阶段流程容易造成误差传播、计算冗余，并损失精细异常定位所需的空间信息。针对上述问题，本文提出注意力引导的端到端工业异常推理分割框架 DCRS。该框架以模型生成的 `<SEG>` 标记作为共享的跨层读取锚点，构建面向分割意图的显式—隐式双通道接口。显式语义通道读取最终层 `<SEG>` 隐藏状态，将其映射至 SAM 的稀疏提示空间，用于明确“分割什么”；隐式空间通道挖掘语义—空间过渡层中的 `<SEG>` 到图像注意力，并通过极端响应抑制与质心动力学进行空间细化，将其重塑为连续稠密提示，用于指示“在哪里分割”。两类异构信息在掩码解码前协同融合，使模型无需额外的异常图生成阶段，即可统一完成文本诊断与像素级异常定位。此外，本文设计了不依赖真实异常样本的训练方案，通过双源异常模拟构造具有像素级监督的训练数据，并结合无掩码视觉问答与对话数据保持模型的通用指令理解能力。在 MVTec-AD 和 VisA 数据集上的实验表明，DCRS 在异常检测与像素级定位方面取得了良好表现，并展现出稳定的合成异常到真实异常迁移能力和跨数据集泛化能力。MMAD 基准测试进一步验证了模型在异常判别、缺陷定位与工业诊断理解等任务中的综合能力。在相同推理设置下，DCRS 相较 AnomalyGPT 还实现了显著的端到端加速，为语言交互驱动的智能工业检测提供了一种高效、统一的新范式。