通过有效利用合成图像实现异常检测
计算机视觉与模式识别
2025-12-30 v1 人工智能
摘要
异常检测在工业制造中发挥着重要作用。由于真实缺陷图像稀缺，广泛研究依赖仅使用正常图像的无监督方法。最近，扩散生成模型将数据合成训练备受关注。本文聚焦于有效利用合成图像最大化异常检测性能的策略。以往的合成策略大致可分为两类，呈现明确的权衡。基于规则的合成，如注入噪声或粘贴图像块，成本效益高，但常常难以产生逼真的缺陷图像。另一方面，基于生成模型的合成可创建高质量缺陷图像，但需要巨大的成本。为解决此问题，我们提出一种新框架，利用预训练的文本引导图像到图像翻译模型和图像检索模型高效生成合成缺陷图像。具体而言，图像检索模型评估生成图像与真实正常图像的相似度，并过滤掉不相关的输出，从而增强生成缺陷图像的质量和相关性。为有效利用合成图像，我们还引入两种训练策略。在此策略下，模型首先在大量基于规则合成的图像上进行预训练，然后在较小的高质量图像集上进行微调。这一方法显著降低了数据收集成本，同时提高了异常检测性能。MVTec AD 数据集上的实验表明，我们方法的有效性。
引用
@article{arxiv.2512.23227,
title = {Anomaly Detection by Effectively Leveraging Synthetic Images},
author = {Sungho Kang and Hyunkyu Park and Yeonho Lee and Hanbyul Lee and Mijoo Jeong and YeongHyeon Park and Injae Lee and Juneho Yi},
journal= {arXiv preprint arXiv:2512.23227},
year = {2025}
}