研究背景与问题 - 工业异常检测面临异常数据稀缺问题 需要更多真实残次品数据训练检测模型[2] - 现有异常生成方法存在生成多样性有限 异常与原始图像融合困难 生成掩码与异常区域不匹配等挑战[8] 技术方案 - 复旦大学与腾讯优图实验室提出基于扩散模型的少样本异常图像生成新模型DualAnoDiff[3] - 采用双分支并行生成机制 主分支生成包含异常的完整图像 子分支生成局部异常区域[10][12] - 嵌套提示词机制确保两分支生成内容在语义和结构上紧密关联[11] - 引入背景补偿模块(BCM)从正常图像分离背景特征 增强生成稳定性[14] 性能表现 - 在MVTec数据集15个类别中取得最优性能 平均IS得分1.93 IC-L得分0.38[17] - 相比之前最佳方法(DFMGAN) IS得分提升7.2% IC-L得分提升18.8%[17] - 生成图像具有最高质量和最多样化特征 在检测 定位 分类等下游任务表现更佳[5][16][19] 应用价值 - 该方法可显著提升下游异常检测任务性能 推动异常图像生成领域发展[22][23] - 生成的异常图像最接近原始数据集情形 掩码对具有高度对齐性[5][20]