尽管如此，这些方法在合成真实和多样化的异常样本，以及解决预训练特征的特征冗余和预训练偏差方面仍然面临挑战。由于缺乏可用的异常图像和关于异常类别的先验知识，现有方法依赖于精心设计的数据增强策略或外部数据进行异常合成，导致合成异常与真实异常之间存在显著的分布差异，从而限制了异常检测模型在真实应用中的泛化能力。1.提出了强度可控的扩散异常合成( SDAS )，一种基于扩散过程的合成策略，能够生成具有不同

Dcos表示余弦距离，F ( · )表示平坦化操作，fD( h , w)表示( h , w)处的特征点，sg ( · ) 0.1表示将梯度缩小为原来的2的十分之一。先前多类无监督异常检测的检测性能低是由于神经网络的泛化能力太强，由于多类UAD设置，图像及其模式的多样性，解码器可以将其重建能力推广到看不见的异常样本，导致使用重建误差进行异常检测失败。问题，传统方法将重建改为恢复，即通过在输入图片或编

然后将该图与特征图F (或者在训练过程中加入噪声增强的特征图PF)进行级联，并作为分类头的卷积块的输入。设计的简单性对于在无监督和有监督的环境中实现良好的性能非常重要，在提供足够的判别力的同时最小化过拟合的风险。它不是在原始图像上进行简单的“剪切-粘贴”，而是在深度特征空间中，通过添加由柏林噪声（Perlin Noise）引导的高斯噪声来模拟各种形态各异的异常。现有的方法往往局限于特定的监督场景，