非監督異常検出手法は、訓練に正常サンプルのみを使用することで産業画像における表面欠陥を識別することができます。単一クラスからの学習では過学習のリスクがあるため、異常合成戦略が導入され、人工的な異常を生成することにより検出能力を向上させることが目指されています。しかし、既存の戦略は補助データセットからの異常なテクスチャに大きく依存しています。さらに、異常合成のカバレッジと方向性の制限により、有用な情報の取得に失敗し、大幅な冗長性につながる可能性があります。これらの課題に対処するため、私たちは新たな進行型境界誘導異常合成（Progressive Boundary-guided Anomaly Synthesis: PBAS）戦略を提案します。この戦略は、境界近似学習（Approximate Boundary Learning: ABL）、異常特徴合成（Anomaly Feature Synthesis: AFS）、および精緻化された境界最適化（Refined Boundary Optimization: RBO）という3つの主要コンポーネントで構成されています。ABLはまず、中心制約によって近似的な決定境界を学習し、特徴量アライメントを通じて中心初期化を改善します。これにより正常サンプルの分布がよりコンパクトになります。次にAFSは、正常特徴量のハイパースフィア分布によってガイドされるより柔軟なスケールで方向的に異常を合成します。ただし、境界が緩いため実際の異常も含む可能性があります。そこでRBOは、人工的な異常と正常特徴量の二値分類を通じて決定境界を精緻化します。実験結果は、私たちの手法が3つの広く使用されている産業データセット（MVTec AD, VisA, MPDD）において最先端の性能と最速の検出速度を達成していることを示しています。コードは以下のURLから入手可能です: https://github.com/cqylunlun/PBAS.