https://doi.org/10.1007/s12204-026-2941-x

结合相似性数据筛选的扩散增强零样本工业异常检测

李雨欣¹，关瑞佳²，倪松涛¹，赵旭¹

（1. 上海交通大学 自动化与感知学院，上海 200240；2. 香港理工大学 应用物理系，香港）

摘要：工业异常检测旨在识别产品表面的缺陷（如纹理和颜色缺陷）以及结构缺陷。该领域面临的一大障碍是需要大量高质量的训练数据集。尽管零样本学习和少样本学习方法通过使用少量标注数据进行操作，已在一定程度上缓解了这一需求，但它们通常推理速度较慢，从而阻碍了实时工业部署。为了在数据效率与检测速度之间架起桥梁，我们提出了一种新颖的零样本方法，该方法将初始数据筛选与基于扩散模型的数据增强相结合。我们的框架首先采用基于相似度的筛选算法，从整体数据分布中直接筛选出一组正常样本。随后，一个潜在扩散模型学习这些样本的局部块（patch）分布，以生成鲁棒增强的数据集，并利用该数据集构建用于异常检测的综合记忆库。在MVTec AD数据集上的评估表明，本方法达到了最先进的性能，平均AUROC分数分别为96.87%（像素级）和96.25%（图像级）。同时，其类间稳定性表现优异，像素级AUROC方差为5.80，图像级为28.53。对于工业应用最为关键的是，本方法的检测速度达到每幅图像220毫秒，约为领先零样本方法的8倍。这些结果证明了该方法强大的泛化能力及其在复杂工业异常检测场景中的部署潜力。

关键词：零样本学习，工业异常检测，无监督异常检测，潜在扩散模型

扫二维码浏览全文  

Cite this article

Li, Y., Guan, R., Ni, S. et al. Diffusion-Augmented Zero-Shot Industrial Anomaly Detection with Similarity-Based Data Screening. J. Shanghai Jiaotong Univ. (Sci.) (2026). https://doi.org/10.1007/s12204-026-2941-x

支持单位：