SeaS：基于分离与共享微调的少样本工业异常图像生成
摘要
我们提出了 SeaS，一个统一的工业生成模型，用于自动创建多样化的异常、真实正常产品以及精确的异常掩码。尽管已有大量研究，但大多数方法要么专注于特定任务，即仅处理异常或正常产品，要么需要为每种异常类型使用独立模型。因此，先前的方法要么生成能力有限，要么依赖大量的异常特定模型。我们展示了 U-Net 的 differentiated learning 能力能够捕捉略有差异的正常产品及多样化异常的 distinct visual traits，从而构建用于所有任务的统一模型。具体而言，我们首先引入一种 Unbalanced Abnormal (UA) 文本提示，包含一个正常 token 和多个异常 token。更重要的是，我们的 Decoupled Anomaly Alignment (DA) 损失将异常属性解耦并绑定到 UA 的 distinct anomaly tokens 上，使 SeaS 能够通过重新组合这些属性来创建未见的异常。此外，我们的 Normal-image Alignment (NA) 损失将正常 token 对齐到正常模式上，使生成的正常产品在全局上一致且在局部上多样化。最后，SeaS 通过融合判别性 U-Net 特征与高分辨率 VAE 特征来生成准确的异常掩码。SeaS 为工业生成设定了新的基准，显著提升了下游应用，平均提高了 像素级 AP（用于基于合成的 AD 方法）， 图像级 AP（用于无监督 AD 方法），以及 IoU（用于受监督分割模型）。代码可在 \href{https://github.com/HUST-SLOW/SeaS}{https://github.com/HUST-SLOW/SeaS} 获取。
引用
@article{arxiv.2410.14987,
title = {SeaS: Few-shot Industrial Anomaly Image Generation with Separation and Sharing Fine-tuning},
author = {Zhewei Dai and Shilei Zeng and Haotian Liu and Xurui Li and Feng Xue and Yu Zhou},
journal= {arXiv preprint arXiv:2410.14987},
year = {2025}
}
备注
Accepted at ICCV2025