本研究介绍了多种无监督异常检测的创新方法，包括NDP-Net、基于知识蒸馏的检测器和AnomalousPatchCore（APC）系统。这些方法通过优化特征提取和利用正常样本，显著提高了工业异常检测的效率和准确性。同时，研究评估了多个公开数据集的有效性，为相关研究提供了参考。

该文介绍了一种软提示学习的方法，可用于Vision & Language模型，通过最小化软提示与手工工程提示之间的距离来提高模型性能，并能够训练虚拟类。该方法在11个数据集上进行的广泛评估表明，显著优于所有先前的软提示工作，并在大多数测试数据集上匹配和超越手工制作提示和CLIP的新类准确性。