面向少样异常图像生成的双相互扩散模型

异常检查在工业制造中的性能受限于异常数据稀缺。为克服这一挑战，研究者开始采用异常生成方法来增强异常数据集。然而，现有异常生成方法在异常多样性方面有限，难以实现异常与原图的无缝融合。此外，生成的掩码通常与生成的异常不一致。本文从全新视角入手，同时生成整体图像及其对应异常部分的配对。我们提出了 DualAnoDiff，即一种基于扩散模型的少样异常图像生成模型，利用双相互关联的扩散模型实现多样化且真实的异常图像生成，其中一个模型用于生成整体图像，另一个模型用于生成异常部分。此外，我们提取背景与形状信息，以缓解少样图像生成中的失真与模糊现象。大量实验表明，我们提出的模型在多样性、真实性和掩码准确性方面均优于当前最先进的方法。总体而言，我们的方法显著提升了下游异常检查任务的性能，包括异常检测、异常定位和异常分类任务。