|极市线上分享第139期 |
一直以来，为让大家更好地了解学界业界优秀的论文和工作，极市已邀请了超过100位技术大咖嘉宾，并完成了138 期极市线上直播分享。
往期分享请前往bbs.cvmart.net/topics/149或直接阅读原文，也欢迎各位小伙伴自荐或推荐更多优秀的技术嘉宾到极市进行技术分享，与大家一起交流学习~~
“工业质检与医疗影像异常检测面临的核心瓶颈是异常样本稀缺性：现实场景中异常事件罕见且采集成本高。传统方法存在两大局限：依赖海量正常数据重构异常（易引入分布偏差）；生成样本真实性不足（导致下游检测模型泛化性差）。
在CVPR 2025论文Unseen Visual Anomaly Generation中，我们提出AnomalyAny——首个基于预训练Stable Diffusion的无训练异常生成框架。通过巧妙的引导机制，让模型 “理解” 正常样本的特征，根据文本描述生成符合逻辑的异常，无需任何异常样本。”
论文地址：https://openaccess.thecvf.com/content/CVPR2025/papers/Sun_Unseen_Visual_Anomaly_Generation_CVPR_2025_paper.pdf
代码地址：https://github.com/EPFL-IMOS/AnomalyAny
01
直播信息
时间
2025年6月18日（周三）：19:00-20:00
主题
基于扩散模型的无训练异常样本生成：AnomalyAny框架
02
嘉宾介绍
孙菡
瑞士洛桑联邦理工学院 (EPFL) 博士生
机构与项目：Robotics, Control, and Intelligent Systems (EDRS) 项目
研究方向：计算机视觉（领域迁移、场景理解、生成模型）
03
关于分享
1. 领域挑战
a. 异常检测的数据困境
b. 现有生成方法的技术瓶颈
2. 技术基础
a. Stable Diffusion简介
b. 预训练模型的迁移潜力
3. AnomalyAny详解
a. 正常样本引导
b. 注意力引导
c. 异常语义优化
4. 实验结果
a. 生成样本展示
b. 异常检测效果
04
参与方式
05
往期回顾
更多往期分享请浏览：极市计算机视觉技术分享集锦