ICCV 2025 | SeaS: 工业异常生成+正常合成+精准掩码大一统框架，指标全面碾压SOTA

主要观点总结

本文介绍了华中科技大慢工团队提出的少样本工业异常生成模型SeaS，该模型解决了工业场景中多样化异常样本生成、高效建模及精准掩码标注的需求。通过统⼀的少样本⽣成框架、分离与共享微调机制以及精细化掩码预测等技术手段，SeaS实现了突破传统单一任务局限，仅需要1-3张训练样本即可同步实现多样化异常生成、全局一致的正常产品合成及像素级精确异常标注。在主流工业数据集上，SeaS全面超越了现有少样本工业异常生成方法，并有效推动了相关领域的技术进步。

关键观点总结

关键观点1: 研究背景

当前先进制造领域的产线良率往往超过98%，导致异常样本的搜集和标注成为工业质检的核心瓶颈。利用生成模型扩充异常样本集合正逐渐成为产业界的主流选择，但现有方法存在明显局限，如只能完成单一任务或需要针对不同异常类型单独建模，生成能力受限且难以适应复杂场景。

关键观点2: 方法概述

SeaS模型依托U-Net的差异化学习能力，精准捕捉正常产品的细微变化和异常区域的丰富差异。通过非平衡异常文本提示、解耦异常对齐损失和正常图像对齐损失等技术手段，实现了技术突破。此外，创新的精细化掩码预测分支通过融合U-Net判别特征与高分辨率VAE特征，实现了像素级精确的异常标注，有效提升了下游模型性能。

关键观点3: 主要贡献

SeaS模型的设计和实现为工业场景生成任务建立了新的技术基准，有效推动了相关领域的技术进步。通过分离建模、共享学习以及精细化掩码预测等技术手段，SeaS解决了传统方法的局限性，实现了多样化异常生成、全局一致的正常产品合成及像素级精确异常标注。

关键观点4: 实验结果

在主流工业数据集上，SeaS生成的数据有效提升了下游异常检测性能和有监督分割模型的指标。实验结果表明，SeaS在少样本工业异常生成和检测任务中具有优越性。

免责声明