STAGE：基于分级扩散与显式掩码对齐的面向分割的工业异常合成
计算机视觉与模式识别
2025-09-09 v1
摘要
面向分割的工业异常合成（SIAS）在提升下游异常分割性能方面发挥着关键作用，因为它提供了一种有效的异常数据扩充手段。然而，现有的 SIAS 方法面临若干关键局限：(i) 合成的异常往往缺乏精细的纹理细节，且无法与周围背景精确对齐；(ii) 难以生成细粒度的、像素级的异常。为应对这些挑战，我们提出了基于分级扩散与显式掩码对齐的面向分割的异常合成方法，简称 STAGE。STAGE 引入了一种新颖的异常推断策略，将干净背景信息作为先验来引导去噪分布，使模型能够更有效地区分并突出异常前景。此外，它采用带有纯异常分支的分级扩散框架，在前向和反向过程中显式记录局部异常，确保细微异常不被忽略。最后，STAGE 融入了显式掩码对齐（EMA）策略，逐步将合成的异常与背景对齐，从而生成上下文一致且结构连贯的结果。在 MVTec 和 BTAD 数据集上的大量实验表明，STAGE 在 SIAS 任务中达到了 SOTA 性能，进而提升了下游异常分割的效果。
引用
@article{arxiv.2509.06693,
title = {STAGE: Segmentation-oriented Industrial Anomaly Synthesis via Graded Diffusion with Explicit Mask Alignment},
author = {Xichen Xu and Yanshu Wang and Jinbao Wang and Qunyi Zhang and Xiaoning Lei and Guoyang Xie and Guannan Jiang and Zhichao Lu},
journal= {arXiv preprint arXiv:2509.06693},
year = {2025}
}