该框图主要参考了《综合适配器增强的双阶段连续缺陷判别》等研究。该策略旨在解决大模型在连续学习新任务时面临的灾难性遗忘问题。核心流程分为四个阶段：A 预训练基线使用冻结参数的ViT模型；B 阶段一（适应）进行全量微调，将自然图像分布拉到工业图像上，通过收缩估计拟合高斯分布，确保旧任务“不降级”；C 阶段二（高效微调）冻结主干，仅训练适配器和记忆库，用极小的参数开销学习新任务；D 推理（跨任务判别）利用总体高斯分布、马氏距离和异常判定，在不需新任务标签的情况下实现旧任务和新任务的联合判别。图底部标注了各阶段的可训练参数占比（阶段一100%，阶段二极少），并展示了原论文在MVTec数据集上的性能保持情况。内容适合AI算法工程师、计算机视觉研究人员、工业缺陷检测开发者以及关注持续学习与模型微调技术的研究生阅读参考。