AnoStyler：通过轻量级风格迁移实现文本驱动的局部异常生成
计算机视觉与模式识别
2025-11-11 v1
摘要
异常生成已被广泛探索以解决真实世界数据中异常图像稀缺的问题。然而，现有方法通常至少存在以下限制之一，阻碍了它们的实际部署：(1) 生成的异常缺乏视觉真实感；(2) 依赖大量真实图像；(3) 使用内存密集型、重量级的模型架构。为了克服这些限制，我们提出了AnoStyler，一种轻量级但有效的方法，它将零样本异常生成视为文本引导的风格迁移。给定一张单一的正常图像及其类别标签和预期的缺陷类型，使用可泛化的类别无关程序生成指示局部异常区域的异常掩码和代表正常与异常状态的两类文本提示。一个使用基于CLIP的损失函数训练的轻量级U-Net模型用于将正常图像风格化为视觉上真实的异常图像，其中异常由异常掩码定位并与文本提示语义对齐。在MVTec-AD和VisA数据集上的大量实验表明，AnoStyler在生成高质量和多样化的异常图像方面优于现有的异常生成方法。此外，使用这些生成的异常有助于提高异常检测性能。
引用
@article{arxiv.2511.06687,
title = {AnoStyler: Text-Driven Localized Anomaly Generation via Lightweight Style Transfer},
author = {Yulim So and Seokho Kang},
journal= {arXiv preprint arXiv:2511.06687},
year = {2025}
}
备注
Accepted to AAAI 2026