论文
AnomalyAgent：通过工具增强强化学习进行代理工业异常合成
AnomalyAgent: Agentic Industrial Anomaly Synthesis via Tool-Augmented Reinforcement Learning
摘要
工业异常生成是缓解异常检测任务中数据稀缺问题的重要方法。现有的异常合成方法大多依赖单步生成机制，缺乏复杂的推理和迭代优化能力，难以生成语义真实度高的异常样本。我们提出了AnomalyAgent，一种具有自我反思、知识检索和迭代细化能力的异常合成代理，旨在生成真实且多样化的异常。具体来说，AnomalyAgent配备了提示生成（PG）、图像生成（IG）、质量评估（QE）、知识检索（KR）和掩模生成（MG）五种工具，实现闭环优化。为了改善决策和自我反思，我们从真实的异常图像构建结构化轨迹，并设计一个两阶段训练框架：监督 微调，然后是强化学习。这个过程由三部分奖励机制驱动：（1）任务奖励，监督生成异常的质量和位置合理性； （2）反思奖励，训练模型提高异常合成提示的能力； (3) 行为奖励，以确保遵守轨迹。在 MVTec-AD 数据集上，AnomalyAgent 在异常生成方面实现了 2.10/0.33 的 IS/IC-L，使用 ResNet34 实现了 57.0% 的分类精度，使用简单的 UNet 在图像/像素级别实现了 99.3%/74.2% AP，超越了所有零样本 SOTA 方法。代码和数据将公开。