GroundingAnomaly：面向少样本异常合成的空间导向扩散
计算机视觉与模式识别
2026-04-10 v1
摘要
视觉异常检测在工业质量控制中的性能往往受限于真实异常样本的稀缺。因此，开发异常合成技术以扩充训练集并提升下游检测性能成为热门研究方向。然而，现有方法要么因填充技术导致集成效果差，要么难以提供准确的掩码。为此，我们提出了GroundingAnomaly，一种新的少样本异常图像生成框架。该框架引入空间条件模块，利用逐像素语义图实现对合成异常的精确空间控制。此外，设计了门控自注意力模块，将条件标记注入冻结的U-Net，通过门控注意力层实现。这种设计在保持预训练先验的同时，确保了少样本适应的稳定性。在MVTec AD和VisA数据集上进行大规模评估表明，GroundingAnomaly生成的异常质量高，且在多个下游任务（包括异常检测、分割和实例级检测）上实现了最先进的性能。
引用
@article{arxiv.2604.08301,
title = {GroundingAnomaly: Spatially-Grounded Diffusion for Few-Shot Anomaly Synthesis},
author = {Yishen Liu and Hongcang Chen and Pengcheng Zhao and Yunfan Bao and Yuxi Tian and Jieming Zhang and Hao Chen and Zheng Zhi and Yongchun Liu and Ying Li and Dongpu Cao},
journal= {arXiv preprint arXiv:2604.08301},
year = {2026}
}
备注
32 pages, 15 figures