CVPR 2025 | 复旦提出双分支联动+背景补偿！DualAnoDiff刷新异常图像生成及下游任...

主要观点总结

本文介绍了基于双关联扩散模型的少样本异常图像生成方法，包括模型的架构、方法和实验等。模型通过两个相互关联的扩散模型生成整体图像和异常部分，同时生成高度对齐的掩码。设计嵌套提示策略，帮助模型理解图像中不同实体，解决现有异常生成方法的挑战。引入背景补偿模块，增强模型学习物体形状的能力，避免物体与背景混合、物体变形等问题。

关键观点总结

关键观点1: 提出基于双关联扩散模型的少样本异常图像生成方法

解决了现有异常生成方法的异常多样性有限、与原始图像融合不自然以及生成的掩码与异常不对齐等问题。

关键观点2: 设计嵌套提示策略

帮助模型理解图像中不同实体（主要对象和异常），使模型能够正确分离异常和对象的属性，并准确地将它们与指定文本相关联。

关键观点3: 引入背景补偿模块

通过分割图像获取背景图像，并将其作为条件，增强模型学习物体形状和专注于物体生成的能力，避免物体与背景混合、物体变形等问题。

关键观点4: 论文的创新点

包括提出全新的少样本异常图像生成模型DualAnoDiff，设计嵌套提示策略和背景补偿模块等。

免责声明