来源 Beyond Prompt Degradation: Prototype-guided Dual-pool Prompting for Incremental Object Detection（CVPR 2026）
作者 Yaoteng Zhang, Qing Zhou, Junyu Gao, Qi Wang
产线最怕的，不是模型不认识新缺陷，而是它昨天还认识的缺陷，今天升级后就不认了。
新 SKU 上线、材料批次切换、供应商变更、光源老化，都会逼着视觉模型继续加类。
但现场最常见的反常识结果是：新类学会了，老类召回却掉了。 轻则返工调参，重则拉回历史数据整包重训，版本周期越拖越长。
这篇 CVPR 2026 论文研究的正是这个矛盾：不回放旧数据，继续学习新类别，同时守住旧类别能力。
论文基于通用目标检测，但放到 AOI、表面缺陷和零部件检测里，本质上是同一个问题------模型如何边上线、边扩类、边不遗忘。
全套《工业视觉增量检测与持续学习资料包》已整理完毕，内含 PDP 论文精读、双提示池结构拆解、原型伪标签落地清单和后续创新选题方向，以及近年相关顶会顶刊论文合集。
免费发给你。获得方式在这👇：
旧缺陷，为什么会被"学没"
论文把根因拆成两类：提示耦合和提示漂移。
提示耦合，就是公共知识和专属知识混在一个池子里。边缘、纹理、轮廓这些共性特征，和某个 SKU 上的划痕、崩边、压伤特征共用同一套参数。新任务一来，所有参数一起被拉动，老配方很容易被冲掉。
提示漂移更像现场的漏标污染。训练新缺陷时，画面里常有旧缺陷，但当前标注只覆盖新类别。旧缺陷因此被当成背景，模型等于被反复教育："以前算 NG，现在算 OK。" 版本越迭代，旧类置信度越往下掉。
图 1｜论文 Figure 1：增量更新中的两类退化------提示耦合与提示漂移
双提示池：公共底座归公共，缺陷配方归配方
作者提出 PDP，核心不是把模型做得更大，而是把知识分仓。
共享提示池负责沉淀跨任务能力，类似公共视觉底座；私有提示池保存任务专属特征，更像按 SKU、工序或缺陷类型维护的 recipe。旧任务的私有提示被冻结，新任务只更新自己的部分，避免新数据反向覆盖老知识。
模型会根据当前图像，从两个池子里动态取出相关提示，再送进检测解码器。
其中 是最终提示表示， 来自共享池， 来自私有池， 由图像特征与提示键的相似度决定。
这套机制的工业价值很直接：共性能力持续沉淀，专属配方彼此隔离。 换线、换型、加类时，不必每次推倒重来。
图 2｜论文 Figure 2：PDP 总体框架------双提示池解耦知识，原型空间筛选伪标签
伪标签，也要"二次验货"
只靠置信度阈值做伪标签，在工业场景里很容易失灵。
明显断裂可能长期高分，但轻微压痕、暗纹、脏污、低对比划伤，经常卡在中低分区间。
统一阈值设高了，难例捞不回来；设低了，脏标签又会污染训练闭环。一刀切阈值，很难覆盖所有缺陷。
PDP 增加了原型引导伪标签模块 PPG。每个已学习类别都维护一个类原型，可以理解为该类缺陷在特征空间里的"金样中心"。
其中 p_c 是类别原型，F_c是该类别正确识别样本的特征集合。
高置信度候选框直接保留；中等置信度候选框则与对应老类原型做相似度校验。
只有"分数过线、特征也像"的样本，才会进入伪标签集。
这相当于给自动标注多加一道工艺复核：不是分高就放行，也不是分低就报废。
图 3｜论文 Figure 3：原型引导伪标签------高分样本直通，中低分样本二次验货
别只看一次 mAP，要看版本衰减
在 COCO 多阶段增量检测中，PDP 最终总体 mAP 达到 59.4%，相比 MD-DETR 提升 9.2 个点；在 PASCAL VOC 的 19+1 设置下，总体 mAP 达到 79.4%，领先次优方法 3.3 个点。
更关键的是消融结果：PPG 让旧类保持指标提升 13.9 个点，同时新类指标提升 2.7 个点。它不只是"记住旧类"，也没有明显拖累新类学习。稳定性和可塑性，没有二选一。
表 1｜论文 Table 1：多阶段增量检测结果------PDP 在旧类保持和整体精度上的表现
对工业视觉团队来说，真正要盯的不是单次测试集 mAP，而是版本衰减曲线：新缺陷上线后，旧类漏检有没有抬头，过杀有没有漂，阈值和 recipe 是否还能复用，必要时能不能快速回滚。
工业落地，关键不是照搬
这篇论文不是开箱即用的产线方案。它没有覆盖高分辨率小缺陷、极端类别不均衡、跨相机域偏移，也没有讨论节拍、显存和边缘端部署。
但它给了一个清晰方向：把模型升级从"一次性交付"改成"持续版本管理"。
共享池沉淀通用能力，私有池隔离缺陷配方，原型空间兜住漏标和弱置信度样本。再往工业侧走，还要补上四件事：任务怎么切、原型怎么更新、老类怎么验收、版本怎么回滚。
工业视觉下一阶段拼的，不只是单版本精度，而是谁能让模型在持续换型、持续加类的过程中，少遗忘、少返工、少重训。
谁先把这套闭环跑通，谁就有机会把工业视觉从"项目制"拉到"平台化"。
全套《工业视觉增量检测与持续学习资料包》已整理完毕，内含 PDP 论文精读、双提示池结构拆解、原型伪标签落地清单和后续创新选题方向，以及近年相关顶会顶刊论文合集。
免费发给你。获得方式在这👇：