少数ショット異常駆動生成による異常分類とセグメンテーション

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

May 14, 2025

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

cs.AI

要旨

異常検出は、工業検査における異常サンプルの希少性から、実用的かつ挑戦的なタスクです。既存の異常検出手法の一部は、ノイズや外部データを用いて異常を合成することでこの問題に対処しています。しかし、合成された異常と実世界の異常との間には常に大きな意味的ギャップが存在し、異常検出の性能が弱い結果をもたらしています。この問題を解決するため、我々は少数の実異常を用いて現実的で多様な異常を生成するFew-shot Anomaly-driven Generation（AnoGen）手法を提案します。これにより、異常検出モデルの訓練に有益な効果をもたらします。具体的には、我々の研究は3つの段階に分かれています。第1段階では、少数の実異常に基づいて異常分布を学習し、その知識を埋め込みに注入します。第2段階では、その埋め込みと与えられたバウンディングボックスを使用して、拡散モデルをガイドし、特定のオブジェクト（またはテクスチャ）上に現実的で多様な異常を生成します。最終段階では、生成された異常を用いてより強力なモデルを訓練するための弱教師あり異常検出手法を提案します。我々の手法は、DRAEMとDesTSegを基盤モデルとして構築し、一般的に使用される工業異常検出データセットであるMVTecで実験を行いました。実験結果は、我々が生成した異常が異常分類とセグメンテーションタスクの両方においてモデル性能を効果的に向上させることを示しています。例えば、DRAEMとDesTSegは、セグメンテーションタスクにおいてAU-PRメトリックでそれぞれ5.8％と1.5％の改善を達成しました。コードと生成された異常データはhttps://github.com/gaobb/AnoGenで公開されています。

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.