表面异常检测是制造检验中的一个重要组成部分。目前的判别方法遵循一种由重构网络和随后的判别网络组成的两阶段架构，后者依赖于前者生成的重构输出。现有的重构网络通常会产生质量较差的重构结果，这些结果要么仍然包含异常，要么在无异常区域缺乏细节。尽管如此，判别方法对某些重构网络的失败具有一定的鲁棒性，这表明判别网络学习到了一个强大的正常外观信号，而这是重构网络所遗漏的。我们重新设计了这种两阶段架构，将其转化为单阶段迭代过程，允许在重构和定位之间进行信息交换。我们提出了一种基于透明度的扩散过程，在该过程中，异常区域的透明度逐渐增加，从而准确恢复其正常外观，同时利用前几步的定位线索保持无异常区域的外观。我们将这一新过程实现为透明度扩散（TransFusion），这是一种新颖的判别式异常检测方法，在VisA和MVTec AD数据集上均取得了最先进的性能，图像级别的AUROC分别为98.5%和99.2%。代码：https://github.com/MaticFuc/ECCV_TransFusion