近年来，面向语义分割的分布外（Out-of-Distribution, OoD）检测研究主要聚焦于道路场景——这一领域具有有限的语义多样性。在本工作中，我们突破这一限制，将该任务的适用范围拓展至一般自然图像。为此，我们提出：1）基于ADE20k数据集构建的ADE-OoD基准，该基准涵盖来自多样化领域的图像，具有较高的语义多样性；2）一种新颖的基于扩散模型得分匹配的OoD检测方法（Diffusion-based OoD Detection, DOoD），该方法对语义多样性的提升具有良好的鲁棒性。ADE-OoD基准包含室内与室外图像，定义了150个语义类别作为分布内（in-distribution）类别，并包含多种分布外（OoD）物体。对于DOoD方法，我们在语义分布内嵌入表示上训练一个基于MLP架构的扩散模型，并基于得分匹配的理论框架，在推理阶段计算像素级的OoD得分。在常见的道路场景OoD检测基准上，DOoD的性能达到或优于现有最先进方法，且无需使用异常样本进行训练，也不依赖对数据域的先验假设。在ADE-OoD基准上，DOoD显著优于此前的方法，但仍存在较大的提升空间，为未来研究提供了广阔方向。