Text-Guided Variational Image Generation for Industrial Anomaly Detection and Segmentation

我们提出了一种基于文本引导的变分图像生成方法，以解决在工业制造中获取干净数据用于异常检测的挑战。我们的方法利用从大量文本库文档中学习到的有关目标对象的文本信息，生成类似于输入图像的非缺陷数据图像。所提出的框架确保生成的非缺陷图像与从文本和基于图像的知识中得出的预期分布相一致，确保稳定性和普适性。实验结果表明，我们的方法的有效性超过了以往的方法，即使缺乏非缺陷数据也是如此。我们的方法通过在四个基准模型和三个不同数据集上进行泛化测试进行了验证。我们提供了额外的分析，以利用生成的图像增强异常检测模型的有效性。

本文旨在解决在工业制造中获取干净数据用于异常检测的挑战。作者提出了一种基于文本引导的变分图像生成方法，利用从大量文本库文档中学习到的目标对象的文本信息来生成类似于输入图像的非缺陷数据图像。

本文的关键思路是利用文本信息来生成干净的非缺陷数据图像，保证生成的图像符合预期的分布，从而提高异常检测模型的效果。

本文的实验结果表明，即使使用有限的非缺陷数据，该方法也能够有效地提高异常检测模型的性能，并且在四个基准模型和三个不同数据集上进行了泛化测试。此外，本文还提出了一种利用生成图像来增强异常检测模型效果的分析方法。

在这个领域中，最近的相关研究包括基于生成对抗网络的异常检测方法和基于深度学习的异常检测方法。例如，文献“Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery”和“Deep One-Class Classification”。