摘要

扩散模型在无监督异常检测任务中表现出卓越性能。由于仅使用正常数据进行训练，扩散模型在重建测试图像时，通常能够对加入一定噪声的正常样本进行有效恢复。然而，现有方法将所有潜在异常视为同等对待，这可能导致两个主要问题。从全局视角来看，不同异常类型在图像重建中的难度存在显著差异。因此，我们提出针对每个样本预测特定的去噪步数，通过评估图像内容与扩散模型提取先验之间的差异来实现，而非对所有样本采用统一的设置。从局部视角来看，即使在同一图像中，异常区域的重建也与正常区域存在本质不同。理论上，扩散模型在每一步预测的噪声遵循标准高斯分布。但由于异常区域与其潜在正常对应物之间的差异，异常区域中预测的噪声必然偏离标准高斯分布。为此，我们提出在训练阶段引入合成的异常样本，以促使扩散模型突破标准高斯分布的限制；同时在推理阶段采用空间自适应特征融合机制，以增强对局部异常的建模能力。基于上述改进，本文提出一种全局与局部自适应的扩散模型（Global and Local Adaptive Diffusion，简称 GLAD），该方法在无监督异常检测任务中展现出优异的灵活性，能够在保留尽可能多正常信息的同时，实现对异常区域的无异常重建。我们在三个常用异常检测数据集（MVTec-AD、MPDD 和 VisA）以及我们整合的印刷电路板数据集（PCB-Bank）上进行了大量实验，结果充分验证了所提方法的有效性与优越性。