AnomalyHybrid：面向通用异常检测的领域无关生成框架
计算机视觉与模式识别
2025-04-08 v1
摘要
异常生成是缓解异常检测任务数据稀缺有效方法。现有大多数工作在工业异常生成方面表现突出，依赖多个专家或大型生成模型，却很少推广到其他应用场景的异常。本文提出AnomalyHybrid，一个领域无关框架，通过简单地组合参考图像和目标图像来生成真实且多样化的异常。AnomalyHybrid是基于GAN的框架，包含两个解码器分别将参考图像的外观融合到目标图像的深度和边缘结构中。通过深度解码器，AnomalyHybrid能够为深度值变化的异常（如凸出和凹陷）实现真实生成。此外，它放宽了边缘解码器的细粒度结构控制，带来更多样性。无需使用注释，AnomalyHybrid可通过同一图像的不同增强组合的颜色、深度和边缘进行训练。在HeliconiusButterfly、MVTecAD和MVTec3D数据集上的大量实验表明，AnomalyHybrid在异常生成以及其下游异常分类、检测和分割任务上超越了基于GAN的前沿方法。在MVTecAD数据集上，AnomalyHybrid在异常生成方面达到2.06/0.32 IS/LPIPS，在ResNet34上的异常分类准确率为52.6，在简单UNet上的图像/像素级异常检测平均精度分别为97.3/72.9。
引用
@article{arxiv.2504.04340,
title = {AnomalyHybrid: A Domain-agnostic Generative Framework for General Anomaly Detection},
author = {Ying Zhao},
journal= {arXiv preprint arXiv:2504.04340},
year = {2025}
}
备注
Accepted to CVPR 2025 workshop on Harnessing Generative Models for Synthetic Visual Datasets (SyntaGen)