arXiv 2501.152112025-03-09cs.CV

他山之石，可以攻玉：基于跨域异常注入的零样本异常图像合成

"Stones from Other Hills can Polish Jade": Zero-shot Anomaly Image Synthesis via Cross-domain Anomaly Injection

National University of Defense Technology（国防科技大学）；Academy of Military Science（军事科学院）；North University of China（中北大学）

Siqi Wang, Yuanze Hu, Xinwang Liu, Siwei Wang, Guangpu Wang, Chuanfu Xu, Jie Liu, Ping Chen

备注：: 10 pages, 7 figures

阅读 PDF

arXiv 页面 ↗HTML 原文 ↗

AI总结：

本文提出跨域异常注入（CAI）方法，利用其他领域的真实异常实现无需训练的零样本异常合成，并构建领域无关异常数据集及CAI引导扩散机制，突破了异常数量限制，显著提升了工业图像异常检测性能。

摘要：

工业图像异常检测（IAD）是一个具有巨大价值的关键课题。由于异常的固有特性，特定现代工业领域中的真实异常（即领域特定异常）通常过于稀少而难以收集，这严重阻碍了IAD的发展。因此，零样本异常合成（ZSAS）作为一种关键技术应运而生，它能够在没有任何领域特定异常的情况下合成伪异常图像。然而，现有解决方案要么无法合成逼真的伪异常，要么需要繁琐的训练。为此，我们聚焦于ZSAS，并提出了一种全新的范式，能够同时实现逼真且无需训练的ZSAS。该范式基于一个长期被忽视的事实：尽管领域特定异常稀少，但来自其他领域的真实异常（即跨域异常）实际上是丰富的，并且可以直接应用于ZSAS。具体而言，我们的新ZSAS范式做出了三方面贡献：第一，我们提出了一种名为跨域异常注入（CAI）的新方法，该方法直接利用跨域异常，以无需训练的方式实现高度逼真的ZSAS。第二，为了给CAI提供充足的跨域异常，我们据我们所知构建了首个领域无关异常数据集，为ZSAS提供了丰富的真实异常模式。第三，我们提出了一种CAI引导的扩散机制，进一步突破了真实异常的数量限制，实现了无限的异常合成。我们与现有ZSAS解决方案的正面比较验证了我们的范式在IAD上的优越性能，并证明它是一种有效且实用的ZSAS解决方案。

英文摘要：

Industrial image anomaly detection (IAD) is a pivotal topic with huge value. Due to anomaly's nature, real anomalies in a specific modern industrial domain (i.e. domain-specific anomalies) are usually too rare to collect, which severely hinders IAD. Thus, zero-shot anomaly synthesis (ZSAS), which synthesizes pseudo anomaly images without any domain-specific anomaly, emerges as a vital technique for IAD. However, existing solutions are either unable to synthesize authentic pseudo anomalies, or require cumbersome training. Thus, we focus on ZSAS and propose a brand-new paradigm that can realize both authentic and training-free ZSAS. It is based on a chronically-ignored fact: Although domain-specific anomalies are rare, real anomalies from other domains (i.e. cross-domain anomalies) are actually abundant and directly applicable to ZSAS. Specifically, our new ZSAS paradigm makes three-fold contributions: First, we propose a novel method named Cross-domain Anomaly Injection (CAI), which directly exploits cross-domain anomalies to enable highly authentic ZSAS in a training-free manner. Second, to supply CAI with sufficient cross-domain anomalies, we build the first Domain-agnostic Anomaly Dataset within our best knowledge, which provides ZSAS with abundant real anomaly patterns. Third, we propose a CAI-guided Diffusion Mechanism, which further breaks the quantity limit of real anomalies and enable unlimited anomaly synthesis. Our head-to-head comparison with existing ZSAS solutions justifies our paradigm's superior performance for IAD and demonstrates it as an effective and pragmatic ZSAS solution.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。