Rezent entwickelte Methoden zur unsupervised Anomalieerkennung basieren oft auf vortrainierten Merkmalsextraktoren, die mit Hilfsdatensätzen oder gut konstruierten, an Anomalien simulierten Proben trainiert wurden. Dies kann jedoch ihre Anpassungsfähigkeit an eine wachsende Zahl von Anomalieerkennungsaufgaben einschränken, da die Auswahl der Hilfsdatensätze oder die Strategie der Anomaliesimulation bestimmte Vorkenntnisse (Priors) implizieren. Um dieser Herausforderung zu begegnen, führen wir zunächst ein priorenfreies Paradigma zur Anomaliegenerierung ein und entwickeln darauf aufbauend einen innovativen unsupervised-Anomalieerkennungsrahmen namens GRAD. GRAD besteht aus drei wesentlichen Komponenten: (1) einem Diffusionsmodell (PatchDiff), das kontrastive Muster erzeugt, indem es lokale Strukturen beibehält, während globale Strukturen normaler Bilder ignoriert wird; (2) einem selbstüberwachten Umgewichtungsmechanismus, der die Herausforderung der langen Schwänze und der unbeschrifteten kontrastiven Muster, die von PatchDiff generiert werden, bewältigt; und (3) einem leichten Patch-Level-Detektor, der effizient zwischen normalen Mustern und umgewichteten kontrastiven Mustern unterscheidet. Die Generierungsergebnisse von PatchDiff zeigen effektiv verschiedene Arten von Anomaliemustern auf, beispielsweise strukturelle und logische Anomalien. Zudem bestätigen umfangreiche Experimente sowohl auf den MVTec AD- als auch auf den MVTec LOCO-Datensätzen die oben genannten Beobachtungen und zeigen, dass GRAD eine konkurrenzfähige Genauigkeit bei der Anomalieerkennung und eine überlegene Inferenzgeschwindigkeit erreicht.