摘要

近年来，无监督异常检测方法通常依赖于在辅助数据集上预训练的特征提取器，或基于精心设计的异常模拟样本。然而，这类方法可能因辅助数据集选择的先验偏差或异常模拟策略的局限性，而难以适应日益增多的异常检测任务。为应对这一挑战，本文首先提出一种无需先验知识的异常生成范式，并在此基础上构建了一种创新的无监督异常检测框架——GRAD。GRAD包含三个核心组件：（1）一种扩散模型（PatchDiff），通过保留正常图像中的局部结构而忽略其全局结构，生成对比性模式；（2）一种自监督重加权机制，用于应对PatchDiff生成的长尾且未标注的对比性模式所带来的挑战；（3）一种轻量级的局部块级检测器，能够高效区分正常模式与重加权后的对比性模式。PatchDiff的生成结果有效揭示了多种类型的异常模式，如结构性异常和逻辑性异常。此外，在MVTec AD与MVTec LOCO数据集上的大量实验进一步验证了上述观察结果，表明GRAD在异常检测精度上表现优异，同时具备显著更快的推理速度。