DeltaDeno：基于Delta-去噪归因的零样本异常生成
计算机视觉与模式识别
2025-11-24 v1
摘要
异常生成往往被建模为few-shot微调，依赖异常样本，这与推动生成的稀缺性相悖，并易导致类别先验过拟合。我们聚焦无真实异常样本或训练的场景。提出Delta-Denoising（DeltaDeno），一种无训练的零样本异常生成方法，通过对比由最小提示对驱动的两个扩散分支，在共享计划下实现局部缺陷的定位与编辑。将每步去噪delta累积为图像特定的局部化图，从而获得用于引导后续扩散步骤中latent inpainting的掩码，同时在生成逼真局部缺陷时保留周围上下文。为提升稳定性与可控性，DeltaDeno执行token级提示细化，使共享内容对齐并强化异常token，并施加仅限于预测区域异常token的空间注意力偏置。实验在公开数据集上表现出色，展示了卓越的生成质量、逼真度以及在下游检测任务中的稳定性提升。代码将对公众开放。
引用
@article{arxiv.2511.16920,
title = {DeltaDeno: Zero-Shot Anomaly Generation via Delta-Denoising Attribution},
author = {Chaoran Xu and Chengkan Lv and Qiyu Chen and Yunkang Cao and Feng Zhang and Zhengtao Zhang},
journal= {arXiv preprint arXiv:2511.16920},
year = {2025}
}