💡💡💡本文核心贡献如下： 重写预测函数，支持单张图像预测和可视化（代码已开源）
预测结果如下：
💡💡💡本文核心贡献如下：
提出SubspaceAD框架：首个免训练、无需记忆库和提示调优的少样本异常检测方法，基于冻结DINOv2特征与PCA子空间建模。
极简设计：仅需1–4张正常图像，通过子空间重建残差检测异常，无训练、无参数调优，存储每类<1MB。
性能SOTA：在MVTec-AD上1-shot图像级AUROC达97.1%、像素级97.5%；在VisA上达93.4%和98.2%，全面超越先前复杂方法。
可解释性强：基于统计子空间的异常分数具有明确几何意义，定位准确，且支持批处理零样本扩展。