GroundingAnomaly：用于少样本异常合成的带空间定位约束的扩散

视觉异常检测在工业质量控制中的表现往往受到真实异常样本稀缺的限制。因此，异常合成技术已被开发出来，以扩大训练集并增强下游检查。然而，现有的方法要么因修复而导致集成度差，要么无法提供准确的掩模。为了解决这些限制，我们提出了 GroundingAnomaly，一种新颖的少样本异常图像生成框架。我们的框架引入了空间调节模块，该模块利用每像素语义图来实现对合成异常的精确空间控制。此外，门控自注意力模块旨在通过门控注意力层将调节词元注入冻结的 U-Net。这小心地保留了预训练的先验，同时确保稳定的小样本适应。对 MVTec AD 和 VisA 数据集的广泛评估表明，GroundingAnomaly 可以生成高质量的异常，并在多个下游任务（包括异常检测、分割和实例级检测）中实现最先进的性能。