异常偏好图像生成

从有限的数据中合成真实且多样化的异常样本对于稳健的模型泛化至关重要。然而，现有的方法很难协调保真度和多样性，通常分别受到分布错位和过度拟合的阻碍。为了缓解这一问题，我们引入了异常偏好优化，这是一种将异常生成重新表述为偏好学习问题的新范式。我们方法的核心是隐式偏好对齐机制，它利用真实异常作为正参考，直接从去噪轨迹偏差中导出优化信号，而不需要昂贵的人工注释。此外，我们提出了一个时间感知容量分配模块，该模块沿着扩散时间线动态分配模型容量，优先考虑高噪声阶段的结构多样性，同时增强低噪声阶段的细粒度保真度。在推理过程中，分层采样策略会调节一致性对齐权衡，从而实现对生成的精确控制。大量实验表明，其性能显着优于现有基线，在真实性和多样性方面实现了最先进的性能。