MIRAGE：面向视觉异常检测的模型无关工业真实异常生成与评估
计算机视觉与模式识别
2026-03-17 v1
摘要
工业视觉异常检测（VAD）方法通常仅基于正常样本训练，但即使有限的异常数据可用，性能也会显著提升。现有异常生成方法要么需要真实异常样本，要么需要昂贵硬件，要么产生的合成缺陷缺乏真实性。我们提出 MIRAGE（Model-agnostic Industrial Realistic Anomaly Generation and Evaluation），一个完全自动化的管线，用于真实异常图像生成和像素级掩码创建，无需训练也无需异常图像。该管线通过 API 调用访问任意生成模型作为黑箱，利用视觉语言模型进行自动化缺陷提示生成，并包含基于 CLIP 的质量过滤器以保留对齐度良好的生成图像。为大规模掩码生成，我们引入轻量级、无训练的双分支语义变化检测模块，结合文本条件化 Grounding DINO 特征与细粒度 YOLOv26-Seg 结构特征。我们以 Gemini 2.5 Flash Image（Nano Banana）作为生成底层，对四种生成方法在 MVTec AD 和 VisA 上进行基准测试，评估两个 distinct 任务：（i）下游异常分割，（ii）生成图像的视觉质量，通过标准指标（IS、IC-LPIPS）和涉及 31 名参与者、1550 项成对投票的人类感知研究。结果表明，MIRAGE 提供了一个无需真实缺陷数据即可进行的可扩展、可接入的异常感知工业检验基础。作为最终贡献，我们公开发布了一个大规模数据集，包含每个 MVTec AD 和 VisA 类别每类 500 张图像-掩码对，总计超过 13,000 组，以及所有生成提示和管线代码。
关键词
引用
@article{arxiv.2603.13507,
title = {MIRAGE: Model-agnostic Industrial Realistic Anomaly Generation and Evaluation for Visual Anomaly Detection},
author = {Jinwei Hu and Francesco Borsatti and Arianna Stropeni and Davide Dalle Pezze and Manuel Barusco and Gian Antonio Susto},
journal= {arXiv preprint arXiv:2603.13507},
year = {2026}
}