摘要
扩散模型在异常检测中已展现出重要应用价值，其通过建模正常数据分布，并利用重构过程识别异常。尽管具备诸多优势，现有方法在定位不同尺度的异常方面仍面临挑战，尤其在处理较大异常（如完整部件缺失）时表现不佳。针对这一问题，本文提出一种新颖的框架，通过在Meng等（2022）提出的隐式条件化方法基础上进行三方面关键改进，显著提升了扩散模型的异常检测能力。首先，引入动态步长计算机制，在前向扩散过程中根据初始异常预测结果自适应调整加噪步数，实现更灵活的噪声注入策略。其次，我们证明：仅对缩放后的输入进行去噪（不添加额外噪声）的策略，其性能优于传统的加噪去噪流程。第三，通过将图像投影至潜在空间，有效抽象掉干扰大范围缺失部件重建的细微细节，从而提升对大尺度异常的建模能力。此外，我们设计了一种微调机制，使模型能够更有效地捕捉目标领域中的细微特征与分布特性。所提方法在VisA、BTAD和MVTec等主流异常检测数据集上进行了全面评估，取得了优异性能。尤为重要的是，本框架能够有效定位任意尺度的异常，无论其大小如何，标志着基于扩散模型的异常检测技术迈出了关键一步。