未见视觉异常生成
计算机视觉与模式识别
2025-06-12 v4
摘要
视觉异常检测(AD)由于异常数据样本的稀缺性而面临重大挑战。尽管已有大量工作提出合成异常样本，但这些合成异常通常缺乏真实性或需要大量训练数据，限制了它们在现实场景中的适用性。在这项工作中，我们提出了Anomaly Anything (AnomalyAny)，一个利用Stable Diffusion (SD)图像生成能力来生成多样且逼真的未见异常的新颖框架。通过在测试时以单个正常样本为条件，AnomalyAny能够为任意物体类型生成带有文本描述的未见异常。在AnomalyAny中，我们提出了注意力引导的异常优化，以引导SD注意力集中在生成困难异常概念上。此外，我们引入了提示引导的异常精炼，结合详细描述以进一步提高生成质量。在MVTec AD和VisA数据集上的大量实验证明了AnomalyAny在生成高质量未见异常方面的能力及其在提升下游AD性能方面的有效性。
引用
@article{arxiv.2406.01078,
title = {Unseen Visual Anomaly Generation},
author = {Han Sun and Yunkang Cao and Hao Dong and Olga Fink},
journal= {arXiv preprint arXiv:2406.01078},
year = {2025}
}
备注
8 pages excluding supplementary