质量感知的语言条件局部自回归异常合成与检测
计算机视觉与模式识别
2025-08-06 v1
摘要
尽管异常合成方法在近年来取得了显著进展，但现有的扩散-based 和粗糙填充管线常 suffer 于结构性缺陷，如微观结构中断、受限的语义可控性和低效生成。为克服这些限制，我们引入 ARAS（Auto-Regressive Anomaly Synthesis），一种语言条件的自回归异常合成方法，通过基于 token 的锚定 latent 编辑精准注入局部、以文本指定的缺陷。ARAS 利用硬门控自回归算子和无训练的、保持上下文的掩码采样核，显著提升了缺陷的真实感，保留了细粒度材料纹理，并提供对合成异常的持续语义控制。集成于我们提出的质量感知加权异常检测（Quality-Aware Re-weighted Anomaly Detection, QARAD）框架中，我们进一步提出一种动态加权策略，通过计算图像-文本相似度得分（采用双编码器模型）来强调高质量合成样本。广泛的实验表明，QARAD 在三个基准数据集——MVTec AD、VisA 和 BTAD 上的性能显著优于 SOTA 方法，在图像级和像素级异常检测任务中实现更高的准确率、更好的鲁棒性，并实现了 5 倍的合成加速。我们的完整代码和合成数据集将公开提供。
引用
@article{arxiv.2508.03539,
title = {Quality-Aware Language-Conditioned Local Auto-Regressive Anomaly Synthesis and Detection},
author = {Long Qian and Bingke Zhu and Yingying Chen and Ming Tang and Jinqiao Wang},
journal= {arXiv preprint arXiv:2508.03539},
year = {2025}
}