该框图展示了专利中S2与S3阶段的深度拆解，聚焦伪框提议、双视图对比、EMA更新及监督微调机制。S2（DINO检测头对比预训练）：输入1120×1120原始图像，利用Selective Search生成900个伪边界框提议。对图像施加两种随机增强（仿射/尺度/亮度）。增强视图A输入冻结的ViTDeT主干及DINO检测头A，通过MLP进行伪框回归（Lreg）；增强视图B同样输入共享冻结主干与DINO检测头B。分支A与分支B进行特征对齐，计算负余弦相似度（Lcon）。总损失Ltotal=α·Lreg+β·Lcon（注：原文系数未公开）。分支B通过指数滑动平均（EMA）更新，保留DINO预训练权重。S3（少量标注图像端到端微调）：输入1120×1120标注场景图像，经过预训练ViTDeT主干（多尺度特征+位置嵌入）及预训练DINO检测头（Encoder/Decoder/输出层），结合真实标注监督进行反向传播，主干与检测头联合更新全部参数。这一步将S1学到的表征能力与S2的候选区域对齐能力结合，组合进完整视觉缺陷检测模型中。