.png){kind=icon}
返回
Condition-guided unified diffusion for unsupervised multi-class anomaly detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.image.2026.117643.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
工业生产日益增长的复杂性，其中单条生产线常需同时制造多种不同产品，亟需稳健的多类别异常检测解决方案。传统单类别异常检测模型因需为每个类别单独处理而受限于庞大的存储需求。基于重建方法的最新进展利用了扩散模型出色的图像生成能力。然而，这些方法在应用于多类别异常检测任务时性能显著下降。本文针对现有方法的局限性，提出了一种条件引导的统一扩散模型UniDiff。我们的方法包含多项关键创新：采用视觉-语言模型CLIP提取文本特征作为全局类别条件控制，增强模型在多类别间的区分能力；研发了详细语义信息提取器（DSIE）以利用精细语义细节作为局部条件控制，提升基于扩散的重建在异常检测中的保真度；为缓解测试时异常特征泄露风险，引入特征记忆库（MB）模块，存储并利用训练期间获得的正常样本特征动态调整提取特征。在标准MVTec-AD和具有挑战性的VisA基准上的大量实验表明，UniDiff在异常检测与定位任务中显著优于现有方法。具体而言，我们的统一框架在MVTec-AD上达到97.9%的图像级AUCROC，在VisA上达到94.0%，同时在不同物体类别中保持强而一致的抗干扰性。这些结果有力验证了UniDiff的跨数据集泛化能力，为多类别工业异常检测提供了一种高度可靠且通用的解决方案。
Keyword:
Anomaly detection
Diffusion model
Multi-class detection
Unsupervised learning
Industrial inspection
