Weinig-Voorbeeld Generatie Aangedreven door Anomalieën voor Anomalieclassificatie en Segmentatie

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

May 14, 2025

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

cs.AI

Samenvatting

Anomaliedetectie is een praktische en uitdagende taak vanwege de schaarste aan anomalievoorbeelden in industriële inspectie. Sommige bestaande anomaliedetectiemethoden pakken dit probleem aan door anomalieën te synthetiseren met ruis of externe data. Er is echter altijd een grote semantische kloof tussen synthetische en real-world anomalieën, wat resulteert in zwakke prestaties bij anomaliedetectie. Om dit probleem op te lossen, stellen we een few-shot Anomaly-driven Generation (AnoGen) methode voor, die het diffusiemodel begeleidt om realistische en diverse anomalieën te genereren met slechts enkele echte anomalieën, waardoor het trainen van anomaliedetectiemodellen wordt bevorderd. Specifiek is ons werk verdeeld in drie fasen. In de eerste fase leren we de anomalieverdeling op basis van enkele gegeven echte anomalieën en injecteren we de geleerde kennis in een embedding. In de tweede fase gebruiken we de embedding en gegeven begrenzingsvakken om het diffusiemodel te begeleiden bij het genereren van realistische en diverse anomalieën op specifieke objecten (of texturen). In de laatste fase stellen we een zwak-gesuperviseerde anomaliedetectiemethode voor om een krachtiger model te trainen met gegenereerde anomalieën. Onze methode bouwt voort op DRAEM en DesTSeg als basismodel en voert experimenten uit op het veelgebruikte industriële anomaliedetectiedataset, MVTec. De experimenten tonen aan dat onze gegenereerde anomalieën de modelprestaties van zowel anomalieclassificatie- als segmentatietaken effectief verbeteren, bijvoorbeeld behaalden DRAEM en DseTSeg een verbetering van respectievelijk 5,8% en 1,5% in de AU-PR-metric voor de segmentatietaak. De code en gegenereerde anomaliedata zijn beschikbaar op 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.