一种基于梯度上升的统一异常合成策略用于工业异常检测与定位

异常合成策略能够有效提升无监督异常检测性能。然而，现有的合成方法在异常覆盖范围和可控性方面仍存在局限，尤其对于与正常区域极为相似的微弱缺陷，其表现不佳。本文提出一种全新的统一框架——全局与局部异常协同合成策略（Global and Local Anomaly co-Synthesis Strategy, GLASS），该框架在特征层面遵循流形与超球面分布约束的全局异常合成（Global Anomaly Synthesis, GAS），同时在图像层面实现局部异常合成（Local Anomaly Synthesis, LAS），从而实现更广泛范围的异常合成。本方法通过梯度上升引导的高斯噪声与截断投影，以可控方式生成近分布内异常样本。GLASS在MVTec AD（检测AUROC达99.9%）、VisA和MPDD等多个数据集上均取得了当前最优性能，尤其在微弱缺陷检测任务中表现突出。该方法的有效性与高效性已在工业场景中的织物缺陷检测应用中得到进一步验证。代码与数据集已公开，详见：\url{https://github.com/cqylunlun/GLASS}。