AnomalyFactory：将异常生成视为无监督异常局部化问题

近期的异常生成方法缓解了数据不足问题对异常局部化任务的影响。虽然这些方法有效，但大多数方法会在不同数据集上学习多个大型生成模型，并为不同类别开发繁琐的异常预测模型。为克服此限制，我们提出一种新型可扩展框架，名为AnomalyFactory，将无监督异常生成和局部化统一于相同的网络架构中。它首先使用BootGenerator，该生成器将目标边缘图的结构与参考彩色图像的外观相结合，并借助学习的热图指导；随后使用FlareGenerator接收来自BootGenerator的监督信号，并重新调整热图以指示生成图像中异常的位置；最后，它轻松地将相同的网络架构转换为BlazeDetector，通过将FlareGenerator生成的异常图像转换为正常图像来定位异常像素。通过操作目标边缘图并将其与各种参考图像组合，AnomalyFactory生成跨域的真实且多样化的样本。我们在包括MVTecAD、VisA、MVTecLOCO、MADSim和RealIAD在内的5个数据集上进行了全面实验，表明我们的方法在生成能力和可扩展性方面优于竞争方法。