文章O2MAG: One-shot High-fidelity Abnormal Image Generation for Anomaly Detection代码暂无单位南京大学一、问题背景异常检测是计算机视觉里的重要任务简单说就是从一堆正常图像里找出“不对劲”的图片比如工业质检里找产品瑕疵、安防场景里找异常行为。而想要提升异常检测模型的性能高质量的异常图像样本是关键——样本越真实、越贴合实际场景模型学的效果就越好。但传统生成异常图像的方法有两个大痛点一是大多需要针对具体数据集做大量的微调训练耗时又耗算力换个场景就得重新来二是生成的异常图像要么失真严重要么和真实场景的异常特征不符用这些样本训练的模型实际检测效果大打折扣。大家一直盼着能有一个免训练、高保真的异常图像生成方法解决样本制作的难题。二、方法创新这篇论文提出的O2MAGOne-shot High-fidelity Abnormal Image Generation核心就是“单步、免训练、高保真”针对传统方法的痛点做了精准创新免训练的单步生成逻辑摒弃了传统方法针对不同数据集微调训练的流程O2MAG不需要提前训练模型输入正常图像后能通过单步算法直接生成对应的异常图像省去了大量的训练时间和算力成本适配性更强。高保真的异常特征融合不同于以往生成的“假异常”O2MAG能精准捕捉真实异常的视觉特征生成的异常图像在纹理、细节、色彩上都和真实场景高度契合异常区域的位置、形态也更符合实际情况不会出现失真、违和的问题。专为下游检测优化O2MAG的生成逻辑并非单纯“造图”而是围绕后续异常检测任务设计生成的异常图像能直接和正常图像搭配作为检测模型的训练/验证样本无需额外处理直接提升检测模型的识别精度。三、实验结果研究人员在多个经典的异常检测数据集上做了全面测试O2MAG的表现直接吊打传统方法核心结果体现在两点生成效果层面在图像保真度、异常特征合理性的客观指标上O2MAG大幅领先现有方法人工评估也显示其生成的异常图像和真实异常图像的相似度极高几乎难以区分。下游检测层面用O2MAG生成的异常图像作为样本训练/优化后的异常检测模型在检测精度、召回率等核心指标上均有显著提升在部分工业质检、自然场景的数据集上检测效果的提升幅度尤为明显。 同时实验还验证了O2MAG的泛化能力——在不同类型、不同场景的数据集上都能稳定生成高质量异常图像不会出现“换数据集就拉胯”的情况。四、优势与局限核心优势效率极高免训练单步生成不用花费大量时间做数据集适配和模型微调上手就能用大幅降低了异常图像样本的制作成本。效果优质生成的异常图像高保真贴合真实场景能直接赋能下游异常检测任务实打实提升检测模型性能。泛化性强不依赖特定数据集的特征在工业、自然、安防等不同场景的异常检测任务中都能稳定发挥作用。现存局限异常类型有边界目前O2MAG对一些极端罕见、复杂的异常类型生成效果稍弱这类异常的特征因样本少难以捕捉生成的精准度还有提升空间。对输入图像有要求如果输入的正常图像本身质量较低如模糊、噪声多会直接影响异常图像的生成效果暂时无法做到“低质输入也能出高质输出”。暂未适配视频场景当前O2MAG仅针对静态图像的异常生成还未拓展到视频异常检测的场景无法生成视频序列中的连续异常帧。五、一句话总结O2MAG提出了一种免训练、单步的高保真异常图像生成方法解决了传统异常图像生成耗时、失真、泛化性差的问题能直接提升下游异常检测模型的性能为计算机视觉异常检测领域的样本制作提供了全新且高效的解决方案虽在极端异常、低质输入、视频场景上仍有局限但整体极具实际应用价值。