Generazione Guidata da Anomalie Few-Shot per la Classificazione e Segmentazione delle Anomalie

Few-Shot Anomaly-Driven Generation for Anomaly Classification and Segmentation

May 14, 2025

Autori: Guan Gui, Bin-Bin Gao, Jun Liu, Chengjie Wang, Yunsheng Wu

cs.AI

Abstract

Il rilevamento delle anomalie è un compito pratico e impegnativo a causa della scarsità di campioni anomali nell'ispezione industriale. Alcuni metodi esistenti di rilevamento delle anomalie affrontano questo problema sintetizzando anomalie con rumore o dati esterni. Tuttavia, esiste sempre un ampio divario semantico tra le anomalie sintetiche e quelle del mondo reale, con conseguenti prestazioni deboli nel rilevamento delle anomalie. Per risolvere il problema, proponiamo un metodo di generazione guidata da anomalie (AnoGen) con pochi esempi, che guida il modello di diffusione a generare anomalie realistiche e diversificate con solo poche anomalie reali, beneficiando così l'addestramento dei modelli di rilevamento delle anomalie. Nello specifico, il nostro lavoro è suddiviso in tre fasi. Nella prima fase, apprendiamo la distribuzione delle anomalie basandoci su poche anomalie reali fornite e iniettiamo la conoscenza acquisita in un embedding. Nella seconda fase, utilizziamo l'embedding e le bounding box fornite per guidare il modello di diffusione a generare anomalie realistiche e diversificate su oggetti (o texture) specifici. Nella fase finale, proponiamo un metodo di rilevamento delle anomalie debolmente supervisionato per addestrare un modello più potente con le anomalie generate. Il nostro metodo si basa su DRAEM e DesTSeg come modello di base e conduce esperimenti sul dataset comunemente utilizzato per il rilevamento delle anomalie industriali, MVTec. Gli esperimenti dimostrano che le nostre anomalie generate migliorano efficacemente le prestazioni del modello sia nei compiti di classificazione che di segmentazione delle anomalie, ad esempio, DRAEM e DesTSeg hanno ottenuto un miglioramento rispettivamente del 5,8% e dell'1,5% nella metrica AU-PR nel compito di segmentazione. Il codice e i dati anomali generati sono disponibili all'indirizzo https://github.com/gaobb/AnoGen.

English

Anomaly detection is a practical and challenging task due to the scarcity of anomaly samples in industrial inspection. Some existing anomaly detection methods address this issue by synthesizing anomalies with noise or external data. However, there is always a large semantic gap between synthetic and real-world anomalies, resulting in weak performance in anomaly detection. To solve the problem, we propose a few-shot Anomaly-driven Generation (AnoGen) method, which guides the diffusion model to generate realistic and diverse anomalies with only a few real anomalies, thereby benefiting training anomaly detection models. Specifically, our work is divided into three stages. In the first stage, we learn the anomaly distribution based on a few given real anomalies and inject the learned knowledge into an embedding. In the second stage, we use the embedding and given bounding boxes to guide the diffusion model to generate realistic and diverse anomalies on specific objects (or textures). In the final stage, we propose a weakly-supervised anomaly detection method to train a more powerful model with generated anomalies. Our method builds upon DRAEM and DesTSeg as the foundation model and conducts experiments on the commonly used industrial anomaly detection dataset, MVTec. The experiments demonstrate that our generated anomalies effectively improve the model performance of both anomaly classification and segmentation tasks simultaneously, \eg, DRAEM and DseTSeg achieved a 5.8\% and 1.5\% improvement in AU-PR metric on segmentation task, respectively. The code and generated anomalous data are available at https://github.com/gaobb/AnoGen.