DPA：解耦与产品无关的异常表示以实现零样本异常生成

工业异常检测受益于异常样本，但新部署的产品通常仅提供正常图像，使得异常样本难以收集。零样本异常生成提供了一种有前途的解决方案，可以避免收集目标产品异常。然而，现有的方法主要依赖纹理图像或文本描述作为异常源，这往往会产生不切实际的异常。观察到类似的异常可能在不同的产品中重复出现，我们提出了基于异常转移的零样本生成，它重用了现有源产品中的真实异常，使得目标产品异常不再需要为未见过的目标产品生成真实的异常样本。由于并非每种异常类型都适合目标产品，因此异常类型过滤机制首先选择合理的源类型。为了转移选定的异常，我们提出了 DPA，这是一种基于扩散的框架，可以解耦与产品无关的异常表示。 DPA 不是直接提取异常表示，而是通过使用不匹配的数据对进行训练来学习与产品无关的异常嵌入，从而实现跨产品的可迁移异常概念学习。此外，我们设计了一种自适应掩模引导管道，利用自适应掩模来控制生成过程中生成的异常的位置和几何合理性。进一步引入 无需训练 异常标记模块来生成与生成的异常对齐的像素级注释。 MVTec-AD、VisA 和专用异常传输基准的大量实验表明，所提出的设置和 DPA 可以生成更真实的异常，并显着提高零样本和少样本设置下的下游异常检测性能。源代码和模型将被发布。