流程图分为三个递进阶段：S1（ViTDeT主干预训练）输入大量未标注工业场景图像，利用Patch HOG特征重建被遮盖部分，训练后保留主干权重；S2（DINO检测头对比预训练）冻结S1主干，对同图执行两种随机增强生成视图A与视图B，利用伪框对应关系和两头输出对比损失来训练检测头；S3（少量标注端到端微调）组装S1主干与S2检测头的权重作为初始化，采用标注样本进行反向传播，同时更新两部分权重。D区特别指出了该技术作为病害MLLM训练原型的边界：可借鉴其“无标注预训练→对比预训练→少量标注微调”的阶段性权重传递；但不能直接将其通用阶段顺序或掩码HOG重建声称为自己的创新。若要改造成多模态大语言模型，必须新增真实图文监督与语言目标，并重新定义损失函数。