何时可以信任结构化先验知识？
结构化的先验知识在直接针对模型已知弱点时最为可靠。在OOD检测中，核心问题在于模型学习的是捷径——即表面模式——而非对分布内数据的深层理解。2023年的一项研究发现，将掩码图像建模（一种基于重建的先验）作为预训练任务，能迫使模型学习更本质的数据分布，使单类OOD检测的准确率较此前最先进方法提升5.7%，多类提升3.0%，近分布OOD提升2.1% [1]。对团队而言，这意味着鼓励全面表征学习的先验可以成为可靠的基础，尤其是在无法收集OOD样本进行训练的情况下。
同样地，对于小目标和远距离目标检测，将深度信息作为先验——而非融合特征——在四个基准数据集（KITTI、MS COCO、VisDrone、SUN RGB-D）上将小目标平均精度（mAP）提升了最高9%，平均召回率提升了最高7% [2]。关键在于，该先验在训练期间用于加权损失，在推理期间用于调整置信度阈值，而非改变模型架构。这表明，在安全关键应用中需要检测小目标时，团队可以依赖深度先验，而无需增加传感器或重新设计检测器。
有哪些需要注意的局限？
先验知识的可靠性并非在所有任务中都一致。深度先验研究[2]明确指出，其优势在小物体上最为显著，并未声称对所有物体尺寸都有改进。同样，OOD检测的提升[1]虽然令人印象深刻，但是在特定基准（单类、多类、近分布）中取得的，可能无法迁移到所有领域。团队不应假设先验方法开箱即用，而需在自己的数据和任务上进行测试。
另一个注意事项：深度先验方法[2]需要预先进行深度估计，而OOD先验[1]则依赖于基于重建的前置任务，这可能比标准分类训练的计算负担更重。这些开销并非微不足道，但都属于一次性成本。证据表明，当先验与任务的失败模式相匹配时，收益显著且足以抵消成本。然而，如果先验不匹配——例如，在主要问题是遮挡而非尺度时使用深度信息——其益处可能微乎其微。
使用结构化先验，谁受益最大？
从事安全关键应用（如自动驾驶、监控或机器人技术）的计算机视觉团队将获益最大。深度先验研究[2]显示，推理恢复率高达95:1（真实检测与误检之比），这意味着每出现一次误报，就能恢复95次真实检测。这对实时系统中的规划与决策至关重要。无法负担收集分布外样本的团队也将受益于基于重建的先验方法[1]，该方法在不使用任何分布外样本的情况下，其表现甚至优于每类10样本的异常暴露方法。
然而，对于处理目标尺寸均衡的通用目标检测任务的团队来说，改进幅度可能没那么显著。深度先验带来的提升主要针对小目标，而OOD先验的提升则针对分布外鲁棒性，并不一定提升分布内精度。因此，关于“可靠性”的答案是：当先验针对的是你试图解决的具体弱点时，它足够可靠，可以依赖；但它并非放之四海而皆准的灵丹妙药。在自己的数据上验证后，你便可以信任它。
关于这些来源
这个回答基于3项研究（2项经同行评审，1项为预印本），发表于2023年至2026年间，其中2项为2024年或之后发表。这些研究从3项通过质量筛选的研究中选出，被认为最具相关性，而这些研究又源自从超过5亿篇论文的数据库中检索出的37篇文献。
本文引用的文献
重新思考分布外（OOD）检测：掩码图像建模即所需一切
在2023年的一项研究中，使用掩码图像建模作为基于重建的先验，将OOD检测准确率相较于先前的最先进方法提升了5.7%（单类）、3.0%（多类）和2.1%（近分布），并且在不使用任何OOD样本的情况下，甚至超越了每类10样本的异常暴露方法。
深度作为目标检测的先验知识
在一项2026年的研究中，跨越四个基准数据集（KITTI、MS COCO、VisDrone、SUN RGB-D）和两种检测器（YOLOv11、EfficientDet），将深度作为先验信息（通过损失加权和置信度阈值）可使小目标mAP提升最高达9%，mAR提升最高达7%，推理恢复率高达95:1（真检测与假检测之比），且无需修改网络架构。
证据先验引导的神经坍缩用于开放世界目标检测
一项2026年关于开放世界目标检测的研究发现，通过证据先验引导引入结构约束有助于保留先验知识并提升检测性能，尽管摘要中指出，缺乏可靠排序的检索实用性有限。