一对多：通过注意力控制的高保真训练-free 异常生成
计算机视觉与模式识别
2026-04-08 v2
摘要
工业异常检测 (Anomaly Detection, AD) 的特征是正常图像远多于异常图像。虽然已提出许多少样本异常合成方法用于增强下游 AD 任务的数据，但大多数现有方法需要耗时的训练，难以学习与真实异常相符的分布，从而限制了基于此类数据的 AD 模型效能。为此，我们提出一种训练-free 少样本异常生成方法，称为 O2MAG (One-to-More Anomaly Generation)，其利用单个参考异常图像中的自注意力机制合成更多真实逼真的异常样本，以支持有效的下游异常检测。具体而言，O2MAG 通过自注意力移植在三个平行扩散过程中操作，并引入异常掩码以缓解前景-背景查询混淆，合成符合文本引导的异常样本，使其紧密遵循真实异常分布。为弥合编码异常文本提示与真实异常语义之间的语义鸿沟，进一步引入异常引导优化 (Anomaly-Guided Optimization)，以将生成过程对齐目标异常分布，引导生成向真实且文本一致的异常方向。此外，为缓解异常掩码内部的微弱异常合成，采用双注意力增强 (Dual-Attention Enhancement) 在生成过程中强化掩码区域的自注意力和跨注意力。广泛的实验表明，O2MAG 在下游 AD 任务上优于先前的领先方法，表现出卓越的效果。
引用
@article{arxiv.2603.18093,
title = {One-to-More: High-Fidelity Training-Free Anomaly Generation with Attention Control},
author = {Haoxiang Rao and Zhao Wang and Chenyang Si and Yan Lyu and Yuanyi Duan and Fang Zhao and Caifeng Shan},
journal= {arXiv preprint arXiv:2603.18093},
year = {2026}
}
备注
Accepted by CVPR2026. Code: https://github.com/echrao/O2MAG