CVPR2025重磅突破：AnomalyAny框架实现单样本生成逼真异常数据，破解视觉检测瓶颈！

最新推荐文章于 2025-10-01 12:58:17 发布
原创 最新推荐文章于 2025-10-01 12:58:17 发布 · 1k 阅读 · 19 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #自动驾驶 #计算机视觉 #视觉检测 #机器学习 #深度学习 #目标检测

本文介绍了一种名为AnomalyAny的创新框架，该方法利用Stable Diffusion的强大生成能力，仅需单个正常样本和文本描述，即可生成逼真且多样化的异常样本，有效解决了视觉异常检测中异常样本稀缺的难题，为工业质检、医疗影像等领域提供了新的解决方案。

在工业质检、医疗影像等领域，视觉异常检测（Visual Anomaly Detection, AD）是保障质量与安全的关键技术。然而，异常样本稀缺一直是制约其发展的核心难题 —— 现实中，异常现象往往罕见且难以收集，传统方法要么依赖大量正常数据 “脑补” 异常，要么生成的伪异常缺乏真实感，导致检测模型性能受限。

2022-2025年可复现论文合集！戳https://docs.qq.com/doc/DQ25HbWt6WmdOZEta?u=7f01826fa3f140bb8e36e875087997e8&nlc=1近日，瑞士洛桑联邦理工学院（EPF

最低0.47元/天 解锁文章
缺陷或负样本难以收集怎么办？使用生成式模型自动生成训练样本，image-to-image Stable diffusion
shiter编写程序的艺术
08-28 3415
面对这种情况，工程师一般会利用PS工具，或在良品上人为制造缺陷，或在产线蹲守等方式来获取足量缺陷图。不同数据的形式（图像或者文本，是否有缺失），数据的规模（样本数和维度大小），数据中存在的结构信息（稀疏、低秩），选择的模型都应该不一样。数据增广，就是尽可能产生更多的样本，比如，一张图像，通过裁剪、变换、翻转、加噪声，获得更多样本；使用k折交叉验证训练模型，可以提供模型的精度，防止划分数据的随机性。缺陷检测实验中，基于学习的缺陷检测算法，受困于缺陷样本少。迁移其他数据进行模型学习，并根据任务微调模型。
异常数据生成开发说明书
仰望星空的博客
04-12 463
im = cv2.imdecode(np.fromfile(‘c:\测试\1.jpg’, dtype=np.uint8), cv2.IMREAD_UNCHANGED) # The image path has chinese character. cv2.imencode(’.jpg’, im)[1].tofile(‘C:\测试\你好.jpg’) # The image path has chin...
Anomaly Anything: Promptable Unseen Visual Anomaly Generation——异常万物：可提示的未见视觉异常生成
Together_CZ的博客
07-03 2396
Anomaly Anything: Promptable Unseen Visual Anomaly Generation——异常万物：可提示的未见视觉异常生成
突破异常数据瓶颈！AnomalyAny：一句话+一张图，零样本生成任意异常图像
Coovally_AI的博客
06-10 1524
【导读】在工业制造、食品质检、自动驾驶等场景中，异常检测（Anomaly Detection, AD）被广泛应用。但现实中的异常数据稀缺，导致训练高质量检测模型变得非常困难。>>更多资讯可加入CV技术群获取了解哦~本文将为你介绍一项来自EPFL、ETH Zurich和华中科技大学联合发布的新工作 —— Anomaly Anything (AnomalyAny)，它不需要训练、不依赖异常数据，仅靠一张正常图像和一句文字描述，就能生成高质量的“假异常图像”，有效辅助模型训练，在多个数据集上大幅提升性能。目录一、
图像生成/Data synthesis在异常检测anomaly detection中的主要作用
unique_zhao的博客
03-19 1400
在近几年一些SOTA的异常检测算法中，很多都是基于扩散模型diffusion model的，同时很多论文的思路都放在了生成逼真的异常图像来辅助异常检测上，例如CVPR2024 RealNet、ECCV2024 GLAD等。开始时不太理解异常检测为什么要把重点放到异常合成/异常生成上，借助RealNet论文与deepseek简单写下自己的理解：在异常检测任务中，生成异常样本的主要目的是弥补真实异常数据的稀缺性，并通过可控的合成异常帮助模型学习更鲁棒的特征表示，从而提升检测性能。以下是具体分析：解决真实异常数据
异常检测(无监督，生成模型)—DRÆM – A discriminatively trained reconstruction embedding for surfaceanomaly detect
weixin_62848630的博客
11-24 2159
注：因为模型分为重构模块和判别模块，比较大，测试时将batch_size设为1cuda内存都不够，在测试代码中加 with torch.no_grad(): 即可。
【CVPR2025-工业异常检测】AA-CLIP：最新零样本工业缺陷异常检测模型
qq_52291558的博客
07-31 2209
《AA-CLIP：基于异常感知CLIP的零样本异常检测增强方法》 摘要： 针对CLIP模型在零样本异常检测中存在的异常特征识别不足问题，本文提出AA-CLIP模型。通过双阶段适配策略，在保持CLIP原有泛化能力的同时增强异常识别能力：（1）文本空间引入异常感知锚点（如"完好零件/有裂纹零件"）建立正常-异常语义区分；（2）视觉空间通过残差适配器实现补丁级特征与文本锚点对齐。实验表明，AA-CLIP在工业质检和医疗诊断数据集上达到最优零样本检测准确率，其创新性在于：解耦损失函数确保文本特征
工业异常检测 Industrial Anomaly Detection
专业主义
09-28 3017
异常检测
工业外观缺陷检测 无监督异常检测模型GANomaly
m0_37302966的博客
04-16 688
工业外观缺陷检测 无监督异常检测模型GANomaly
工业质检领域相关近期顶会论文汇总CVPR2025
unique_zhao的博客
04-30 1562
参考：
CVPR 2025 名字里带 Anomaly 的论文合集 （未发布的论文后续会更新）
oj_geen的博客
05-24 2159
CVPR 2025 名字里带 Anomaly 的论文合集 （未发布的论文后续会更新） 异常检测+二维+三维+多模态+视频+新数据集
【2024工业图像异常检测文献】AnomalyDiffusion: 基于扩散模型的少样本异常图像生成
qq_1532145264的博客
10-31 4058
AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model
工业外观缺陷检测 无监督异常检测模型CFLOW-AD
m0_37302966的博客
04-11 1239
工业外观缺陷检测 无监督异常检测模型CFLOW-AD
20、工业数据集异常检测方法的实验研究与分析
ik678901的博客
09-20 33
本文研究并提出了一种基于深度序列多分布对抗模型（DSMDA）的工业数据集异常检测方法，旨在有效识别设备运行中的早期故障。该方法通过双判别器结构联合学习数据在实时空间和潜在空间的分布特征，提升对异常的敏感性与鲁棒性。实验在IMS和XJTU-SY两个公开轴承数据集上进行，验证了DSMDA在不同噪声水平下的优越性能。结果表明，该方法在准确率、AUC、F1分数等指标上均优于One-class SVM、LSTM-VAE、GANomaly和DSMDA-S等对比方法，尤其在高噪声环境下仍保持稳定表现。同时，通过数据流形可
Generating Anomalies for Video Anomaly Detection with Prompt-based Feature Mapping
qq_52624655的博客
12-11 775
监控视频中的异常检测是一项具有挑战性的计算机视觉任务，在训练期间仅能获取正常视频。近期工作发布了首个虚拟异常检测数据集以辅助现实世界中的检测。然而，存在异常差距，因为虚拟数据集中的异常是有界的，而在现实世界中是无界的，这降低了虚拟数据集的泛化能力。虚拟与现实场景之间还存在场景差距，包括场景特定异常（在一个场景中异常但在另一个场景中正常的事件）以及场景特定属性，例如监控摄像机的视角。在本文中，我们旨在通过提出基于提示的特征映射框架（PFMF）来解决异常差距和场景差距问题。
研读论文——《工业异常检测综述》
WenJGo的博客
05-27 1928
《深度工业图像异常检测综述》一文系统探讨了工业图像异常检测（IAD）在制造业中的挑战与解决方案。传统方法面临主观误判、高成本及泛化能力不足等问题，而深度学习方法通过自动特征提取和端到端学习，显著提升了检测精度和效率。论文从神经网络架构、监督学习程度、损失函数、评估指标和数据集五个维度，回顾了基于深度学习的IAD方法，并提出了适用于工业制造背景的评估标准。文章还详细分析了无监督、自监督、弱监督和全监督方法的特点与适用场景，指出了计算成本、泛化能力、数据需求和部署适应性等局限。未来研究方向包括统一模型构建、多源
工业外观缺陷检测 无监督异常检测模型DFM（Deep Factor Model）
m0_37302966的博客
04-15 1345
工业外观缺陷检测 无监督异常检测模型DFM（Deep Factor Model）
零样本工业异常检测
weixin_42430979的博客
06-27 960
零样本工业异常检测工业缺陷具有表观随机、形状随机、位置随机的特点上诉三种均搜集正常样本，来判断异常样本。每一次换产线均需要重新训练一个正常样本网络。
Stable Diffusion智能制造质检案例分享
最新发布
weixin_42584507的博客
10-01 629
本文探讨Stable Diffusion在智能制造质检中的应用，基于潜在扩散模型实现无监督异常检测，结合ControlNet与条件编码提升精度，并通过轻量化部署于产线，显著提高缺陷召回率并降低误报。
CVPR2025-DEIM改进项目：高效目标检测新方案
CVPR2025-DEIM改进项目是一项面向前沿计算机视觉研究的深度学习目标检测解决方案，其核心目标是为当前主流YOLO系列模型提供一种更具创新性、学术价值和技术延展性的替代方案。该项目不仅包含了完整的源码实现，还...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值