基于扩散生成与非对称教师-学生网络的工业表面缺陷检测
人工智能
2026-04-22 v1
摘要
工业表面缺陷检测常面临缺陷样本有限、严重长尾分布以及在复杂背景下难以准确定位细微缺陷的挑战。为此，本文提出一种集成去噪扩散概率模型（DDPM）与非对称教师-学生架构的无监督缺陷检测方法。首先，在数据层面，仅使用正常样本训练DDPM。通过引入常数方差的高斯扰动和Perlin噪声基准的掩码，生成高保真且物理上一致的缺陷样本及像素级注释，有效缓解了数据稀缺问题。其次，在模型层面，构建非对称双流网络。教师网络提供正常特征的稳定表征，而学生网络重建正常模式并放大正常区域与异常区域之间的差异。最后，采用结合余弦相似度损失和像素级分割监督的联合优化策略，以实现对细微缺陷的精确定位。在MVTecAD数据集上的实验结果表明，所提方法在图像级AUROC达到98.4%，在像素级AUROC达到98.3%，显著优于现有的无监督方法和主流深度学习方法。该方法无需大量真实缺陷样本，即可实现准确且稳健的工业缺陷检测与定位。
引用
@article{arxiv.2604.19240,
title = {Industrial Surface Defect Detection via Diffusion Generation and Asymmetric Student-Teacher Network},
author = {Shuo Feng and Runlin Zhou and Yuyang Li and Guangcan Liu},
journal= {arXiv preprint arXiv:2604.19240},
year = {2026}
}