SynSur：面向工业表面缺陷的端到端合成生成与检测管道
计算机视觉与模式识别
2026-04-30 v1 人工智能
摘要
基于学习的工业缺陷检测瓶颈往往不在于模型容量，而在于标记缺陷数据的稀缺：缺陷罕见、标注昂贵且收集平衡训练集缓慢。我们提出一个用于缺陷合成生成和标注的端到端管道，组合了基于视觉语言模型的提示、LoRA适配扩散、掩码引导的图像修复以及基于DreamSim和CLIPScore的样本筛选和自动标签推导，展示了使用真实数据与逼真的合成样本克服数据稀缺的潜力。评估在球柱轴驱动器的颗粒缺陷挑战数据集上进行，然后在移动电话屏幕表面缺陷分割数据集（MSD）的子集上测试跨域迁移。除了下游检测器性能外，我们还分析了管道的关键阶段，包括提示构建、LoRA选择以及基于DreamSim和CLIPSore的样本筛选，以了解哪些合成样本既真实又有用。使用YOLOv26、YOLOX和LW-DETR的实验表明，仅用合成数据训练并不能取代真实数据。但与真实数据结合时，合成缺陷可保持性能并在特定BSData训练情境下获得适度提升。MSD迁移研究表明，整个管道结构对第二个工业检验领域同样适用，同时也凸显了领域特定适应和标注质量控制的重要性。总体而言，本文对基于扩散的工业缺陷合成提供了端到端评估，显示其最强的价值在于强化稀缺的真实数据集，而非取代它们。
引用
@article{arxiv.2604.26633,
title = {SynSur: An end-to-end generative pipeline for synthetic industrial surface defect generation and detection},
author = {Paul Julius Kühn and Mika Pommeranz and Arjan Kuijper and Saptarshi Neil Sinha},
journal= {arXiv preprint arXiv:2604.26633},
year = {2026}
}