本文提出了一种统一表面缺陷检测模型SuperSimpleNet，能够适应不同监督级别的训练数据（无监督、弱监督、混合监督和完全监督）。该模型通过改进的合成异常生成方法和高效的分类头设计，在四个基准数据集上均达到最先进性能，同时保持9.5ms的快速推理速度。实验表明，SuperSimpleNet在完全监督下AUROC达98.0%，弱监督下超过现有SOTA方法，无监督检测AUROC达98.3%，实现了

本文提出AnomalyDiffusion，一种基于扩散模型的少样本异常生成方法，通过解耦异常特征实现高保真生成。该方法将异常信息分解为可学习的异常嵌入（表征外观）和掩码编码的空间嵌入（定位位置），结合预训练扩散模型的先验知识提升生成质量。创新性地引入自适应注意力加权机制，动态调整关注区域以改善异常-掩码对齐。实验表明，该方法在真实性和多样性上优于现有技术，有效提升下游异常检测性能。代码已开源。