基于扩散模型双注意力增强的无训练异常生成
计算机视觉与模式识别
2025-08-18 v1
摘要
工业异常检测（AD）在制造业中扮演重要角色，其中长期面临的挑战是数据稀缺。一大批工作已涌现，通过异常生成来解决异常数据不足的问题。然而，这些异常生成方法存在保真度不足或需要额外数据训练的问题。为此，我们提出了一种名为AAG的无训练异常生成框架，该框架基于Stable Diffusion（SD）强大的生成能力，用于有效的异常图像生成。给定一张正常图像、掩码和简单的文本提示，AAG可以在特定区域生成真实自然的异常，同时保持其他区域的内容不变。特别地，我们提出了交叉注意力增强（CAE），基于给定掩码重新设计Stable Diffusion中的交叉注意力机制。CAE增强了特定区域中视觉token与文本嵌入之间的相似性，从而引导这些生成的视觉token遵循文本描述。此外，生成的异常需要与给定图像中的物体更加自然和合理。我们提出了自注意力增强（SAE），用于提升每个正常视觉token与异常视觉token之间的相似性。SAE确保生成的异常与原始模式保持一致。在MVTec AD和VisA数据集上的大量实验证明了AAG在异常生成方面的有效性及其用途。此外，AAG生成的异常图像可以增强各种下游异常检测任务的性能。
引用
@article{arxiv.2508.11550,
title = {Training-Free Anomaly Generation via Dual-Attention Enhancement in Diffusion Model},
author = {Zuo Zuo and Jiahao Dong and Yanyun Qu and Zongze Wu},
journal= {arXiv preprint arXiv:2508.11550},
year = {2025}
}