摘要

异常检测因其卓越的效率与效果，在实际工业制造领域得到了广泛应用。然而，以往基于生成模型的方法受限于重建质量欠佳，从而制约了整体性能的提升。为此，本文提出 DiffusionAD，一种新型的异常检测框架，包含重建子网络与分割子网络两个核心模块。其关键创新在于将基于扩散模型的重建过程重新建模为“噪声到正常”（noise-to-norm）的范式：在高斯噪声干扰下，异常区域的显著特征被破坏，随后被重建为无异常状态的图像。在此基础上，分割子网络通过比较输入图像与其无异常重建结果之间的相似性与差异性，生成像素级的异常得分。此外，考虑到扩散模型固有的迭代去噪机制导致推理速度显著下降，本文重新审视去噪流程，提出一种快速的一步去噪范式，可在保持与现有方法相当重建质量的前提下，实现数百倍的加速。为进一步应对异常表现形式的多样性，本文还引入一种基于归一化引导（norm-guided）的多噪声尺度融合机制，有效提升重建结果的保真度。在四个标准且具有挑战性的基准数据集上的全面评估表明，DiffusionAD 在检测性能上超越当前最先进的方法，同时保持了相近的推理速度，充分验证了所提框架的有效性与广泛适用性。相关代码已开源，地址为：https://github.com/HuiZhang0812/DiffusionAD