提出了一种新的透明度扩散过程，通过逐渐增加异常区域的透明度，恢复其正常外观并保持不含异常的区域的细节，从而实现精确的异常检测。TransFusion在VisA和MVTec AD数据集上获得了98.5%和99.2%的图像级AUROC，达到了最先进的性能。

Nov, 2023

提出了一种基于扩散的少样本异常生成模型，利用大规模数据集中学习到的潜在扩散模型的强优先信息，增强生成的真实性，并通过创新的自适应注意力重新加权机制提高生成异常图像和异常遮罩之间的对齐，实现了准确匹配的异常图像-遮罩对，从而显著提高异常检测任务的性能。

Dec, 2023

基于扩散模型的异常检测中，提出了一种适用于多类异常检测的扩散异常检测（DiAD）框架，包括像素空间自动编码器、与稳定扩散去噪网络相连的潜空间语义引导（SG）网络，以及特征空间预训练特征提取器。通过实验证明了该方法的有效性，并超过了多类 MVTec-AD 数据集上的最先进方法，即对于多类 MVTec-AD 数据集的本地化和检测，达到了96.8/52.6和97.2/99.0（AUROC/AP）。

Dec, 2023

扩展前述的隐式条件方法，我们提出了一种新的框架，通过动态步长计算、无噪声缩放输入和潜在空间投影的方式增强了扩散模型的能力，有效地定位异常并在两个著名异常检测数据集上取得了最先进的性能。

Jan, 2024

介绍了一种针对工业异常检测中缺乏缺陷样本的挑战的新算法，利用扩充缺陷样本来提高异常检测性能。该方法通过在潜在空间中生成缺陷样本的扩散模型，并通过一个特征编辑过程对其进行优化，采用三阶段的图像生成推理策略，生成高质量、多样化的缺陷样本，从而显著提高了基于扩充训练集的异常检测的准确性。在广泛认可的MVTec AD数据集上，该方法将其异常检测的表现提升了1.5％，1.9％和3.1％的AP、IAP和IAP90指标。

Feb, 2024

通过引入合成异常样本和空间自适应特征融合方案，本文提出了一种全局和局部自适应扩散模型（GLAD）用于无监督异常检测，增加了灵活性并实现了无异常的重构，同时保留了尽可能多的正常信息。

Jun, 2024

本文提出了一种创新的多类异常检测方法，通过将扩散模型和变换器相结合，利用扩散获取高频信息以解决模糊重建问题，引入双重调节以保证准确性，采用时空融合以提升性能，实验证明该方法在多类异常检测方面表现卓越。

Jul, 2024

通过分析降解程度引起的重构趋势，我们提出了一种检测异常的方法，有效解决了现有方法中存在的两个问题，同时在工业异常检测的开放数据集上验证了该方法的性能，与现有异常检测方法的结合便利性为制造业提供了计算成本和性能之间的权衡，具有高应用潜力。

Jul, 2024

本研究解决了工业制造中异常检测面临的正常数据稀缺问题，传统方法通常需要大量正常数据进行训练。我们提出了一种基于稳定扩散（SD）模型的少量样本多类别异常检测框架AnomalySD，通过设计层次化文本描述和前景掩蔽机制来优化模型，在MVTec-AD和VisA数据集上的实验结果显示，该方法在异常分类和分割方面具有显著优势，分别达到了93.6%和94.8%的AUROC。

Aug, 2024

本研究解决了工业制造中异常检查中异常数据稀缺的问题，通过提出一种新颖的双相互关联扩散模型DualAnoDiff，同时生成整体图像及其相应的异常部分。该模型在少样本异常图像生成中有效提升了生成图像的多样性与真实感，显著提高了下游异常检测任务的性能。

Aug, 2024