基于少量样本的异常驱动生成用于异常分类与分割
计算机视觉与模式识别
2025-05-15 v1 人工智能
摘要
异常检测是实际且具有挑战性的任务，由于工业检查中异常样本的稀缺。一些现有的异常检测方法通过合成噪声或外部数据来解决此问题。然而，合成异常与真实异常之间总存在较大的语义鸿沟，导致异常检测性能较差。为解决此问题，我们提出了一种基于少量真实异常的少样本异常驱动生成 (AnoGen) 方法，该方法引导扩散模型生成逼真且多样化的异常，从而有助于训练异常检测模型。具体而言，我们的工作分为三个阶段。在第一个阶段，我们基于给定的少量真实异常学习异常分布并将所学知识注入嵌入。在第二个阶段，我们使用该嵌入和给定的边界框引导扩散模型在特定对象 (或纹理) 上生成逼真且多样化的异常。在最终阶段，我们提出一种弱监督异常检测方法，使用生成的异常训练更强大的模型。该方法基于 DRAEM 和 DesTSeg 作为基础模型，并在常用的工业异常检测数据集 MVTec 上进行实验。实验表明，我们生成的异常有效地提高了 DRAEM 和 DesTSeg 在分割任务中 AU-PR 指标的 5.8% 和 1.5% 性能提升。代码和生成的异常数据可在 https://github.com/gaobb/AnoGen 获取。
引用
@article{arxiv.2505.09263,
title = {Few-Shot Anomaly-Driven Generation for Anomaly Classification and Segmentation},
author = {Guan Gui and Bin-Bin Gao and Jun Liu and Chengjie Wang and Yunsheng Wu},
journal= {arXiv preprint arXiv:2505.09263},
year = {2025}
}
备注
Accepted by ECCV 2024