ExDD：通过扩散合成进行显式双分布学习的表面缺陷检测
计算机视觉与模式识别
2026-03-09 v2 人工智能
摘要
工业缺陷检测系统在局限于单类异常检测范式时面临关键限制，该范式假设异常值分布均匀，并在真实制造环境中难以应对数据稀缺问题。我们提出了ExDD（显式双分布），这是一个新颖的框架，通过显式建模双特征分布来超越这些限制。我们的方法利用并行记忆库来捕捉正常和异常模式的独特统计特性，解决了均匀异常值假设的根本缺陷。为了克服数据稀缺，我们采用具有领域特定文本条件的潜在扩散模型，生成保持工业上下文的分布内合成缺陷。我们的邻域感知比率评分机制优雅地融合了互补的距离度量，放大了在偏离正常性和与已知缺陷模式相似性方面均表现出信号的区域。在KSDD2上的实验验证展示了优越的性能（94.2% I-AUROC, 97.7% P-AUROC），在100个合成样本时达到最佳增强效果。https://github.com/aqeeelmirza/ExDD-Defect-Detection
引用
@article{arxiv.2507.15335,
title = {ExDD: Explicit Dual Distribution Learning for Surface Defect Detection via Diffusion Synthesis},
author = {Muhammad Aqeel and Federico Leonardi and Francesco Setti},
journal= {arXiv preprint arXiv:2507.15335},
year = {2026}
}
备注
Accepted to ICIAP 2025