扩散模子（Diffusion Models, DMs）连年来展现出高大的后劲，在筹办机视觉和当然说话处理等诸多任务中获得了权贵进展，而特地检测（Anomaly Detection, AD）算作东谈主工智能畛域的重要究诘任务，在工业制造、金融风控、医疗会诊等广阔内容场景中施展着进攻作用。近期，来自多伦多大学、不列颠哥伦比亚大学、麻省理工学院、悉尼大学、卡迪夫大学和复旦大学等知名机构的究诘者互助完成题为 “Anomaly Detection and Generation with Diffusion Models: A Survey” 的长文综述，初度聚焦于 DMs 在特地检测与生成畛域的应用。该综述系统性地梳理了图像、视频、时辰序列、表格和多模态特地检测任务的最新进展并从扩散模子视角提供了全面的分类体系，衔尾生成式 AI 的究诘动向预测了畴昔趋势和发展机遇，有望指引该畛域的究诘者和从业者。

伸开剩余90% 论文标题： Anomaly Detection and Generation with Diffusion Models: A Survey 论文衔接： https://arxiv.org/pdf/2506.09368 神气主页： https://github.com/fudanyliu/ADGDM

图 2 特地检测、生成和扩散模子的究诘热度分析

二、扩散模子与特地检测

扩散模子通过正向扩散与反向去噪的马尔可夫过程杀青数据分散建模。正向过程恪守立地微分方程，逐步将数据分散转机为高斯噪声；反向过程通过神经鸠合学习去噪映射，渐进式恢规复始数据。其生成机制在捕捉复杂数据分散的幽微相反上具有权贵上风。与传统的普通用于无监督 AD 任务的 GANs、VAE 和 Transformer 等比拟，DMs 在生成样本的质料和千般性方面长远出色，在 AD 畛域展示出出色后劲。

图 3 基于扩散模子的特地评分机制

基于 DMs 的特地检测通过建模数据分散的内在结构，将特地界说为与正常数据时势的权贵偏离。凭据特地评分机制不同，可分为三大中枢范式，如图 3 所示。

基于重构评分的方法通过扩散模子反向去噪过程重构输入样本，以重构时弊算作特地分数。正常样本因恰当学习到的分散，重构时弊小；特地样本偏离分散，重构时弊权贵增大。典型应用如工业质检中，诈欺 U-Net 架构的扩散模子通过像素级重构时弊定位特地。

基于密度的评分方法诈欺扩散模子对数据概率密度的估量能力，将负对数似然算作特地分数。正常样本对应高概率密度，负对数似然值低；特地样本位于低概率区域，分数进步阈值即判定为特地。

基于分数的评分方法诈欺数据分散的梯度信息（分数函数）量化样本与数据流形的偏离进度。正常样本位于流形名义，梯度范数小；特地样本处于低概率区域，梯度范数权贵增大。

三种方法从不同维度描画特地：重构评分基于样本空间距离，密度评分基于概率分散似然，分数评分基于流形几何梯度。内容应用中，重构方法对图像局部特地更敏锐，密度方法适其时序数据全局检测，分数方法在高维非结构化数据中长远更优。

三、扩散模子驱动的特地检测与生成

3.1 图像特地检测

在图像特地检测（Image Anomaly Detection, IAD）畛域，DMs 面对两大中枢挑战：“恒等快捷样式”（Identity Shortcut）问题与不菲的筹办资本。前者指模子在重构时倾向于平直复制输入中的特地区域，从而笼罩了特地；后者则源于扩散过程固有的多步迭代推理，截至了其及时应用。为卤莽这些挑战，综述中磋商了一系列前沿方法。举例，通过掩码重构、潜空间特征裁剪或回击性试验来冲破 “恒等快捷样式”，迫使模子学习正常数据的深层分散而非节略复制。同期，为处分筹办服从问题，究诘者们提议了模子蒸馏、高效 ODE 求解器、潜空间扩散（Latent Diffusion Models, LDMs）以及模子稀少化等多种加快战术。这些方法通过减少采样步数或在更低维的空间中操作，权贵裁汰了推理时辰和资源消费，为扩散模子在工业质检、医疗影像分析等高要求的 IAD 场景中的内容部署铺平了谈路。

图 4：图像特地检测方法长远图。(a）展示了基础的基于重构的方法；(b）展示了为处分 “恒等快捷样式” 问题而瞎想的条款式或多阶段变体方法，旨在进步对特地的敏锐度。

3.2 视频特地检测

视频特地检测（Video Anomaly Detection, VAD）的中枢在于处理时序维度和复杂的绽开时势，这使其比静态图像检测更具挑战性。特地可能长远为反常的动作序列或与既定时势不符的动态变化。因此，灵验的 VAD 框架必须粗略对时空依赖性进行建模。综述指出，先进的扩散模子通过引入光流、绽开矢量或集成时空 Transformer 架构，将绽开信息显式地融入到生成过程中。这种瞎想使模子粗略学习正常事件的时空演化法例，从而蛮横地捕捉到速率、场所或加快度上的特地变化。举例，模子通过对昔日帧或绽开表征进行条款化，预测畴昔的正常帧，并将预测末端与内容不雅测进行比较。这种基于绽开和时序高下文的建容貌式，极地面进步了模子在监控、自动驾驶等动态场景中检测复杂特地事件的准确性和鲁棒性。

图 5：视频特地检测框架长远图。该框架集成了时空特征索取与绽开建模，通过光流或 Transformer 等时刻将绽开信息融入扩散模子，以灵验识别空间外不雅和时辰演变中的特地。

3.3 时辰序列特地检测

时辰序列特地检测（Time Series Anomaly Detection, TSAD）面对的挑战源于数据的内在时序依赖性、不规矩采样和潜在的永久联系。综述归纳了扩散模子在该畛域的两大主流范式：基于重构（reconstruction-based）与基于插补（imputation-based）。基于重构的方法诈欺扩散模子执意的生成能力来规复输入的时辰序列，那些无法被精准重构、导致较大时弊的数据点或片断被视为特地。而基于插补的方法则奥妙地将特地检测任务转机为一个缺失值填补问题，模子尝试填补序列中的部分数据，特地点会因其与高下文的低 “融合性” 而导致插补质料权贵下跌，从而被识别出来。为了灵验捕捉时辰序列的复杂动态，这些模子常常会集成轮回神经鸠合（RNNs）或戒备力机制（Attention），以增强对詈骂期依赖关系的建模能力，使其在金融诈骗检测、树立故障预警等任务中长远出色。

图 6：时辰序列特地检测（TSAD）框架长远图。该图展示了基于扩散模子的两种主流 TSAD 旅途：(a）基于重构的旅途通过比较原始序列与重构序列的相反来筹办特地分数；(b）基于插补的旅途则通过评估模子对缺失值的插补质料来判断特地。

3.4 表格特地检测

表格数据因其搀杂数据类型（如数值型、分类型、序数型）和大宗存在的缺失值，对特地检测组成了独到的挑战。平直应用为图像瞎想的扩散模子时时成果欠安。为此，该畛域的究诘重心在于开导特意的预处理时刻和模子架构。综述中提到，扩散模子驱动的表格特地检测（Tabular Anomaly Detection, TAD）方法常常最初通过特意的镶嵌层将异构数据长入到一语气的表征空间。随后，经过更正的 DMs（如衔尾 Transformer 架构或高斯搀杂模子）在这一空间中学习正常数据的结伴分散。在推理阶段，通过筹办样本的重构亏蚀或生成概率来识别特地。针对缺失值问题，一些方法在试验中引入掩码机制，使模子学会在存在数据缺失的情况下进行矜重的推理。这些恰当性瞎想使得扩散模子粗略灵验处理金融、医疗等畛域的复杂表格数据，精准识别其中的诈骗、病变等特地时势。

图 7：表格特地检测框架长远图。该框架展示了处理包含搀杂数据类型（如数值型、分类型）的表格数据的典型历程。数据最初经过特意的预处理和镶嵌模块，然后输入到适用于表格数据的扩散模子中，最终通过筹办重构亏蚀来识别特地。

3.5 多模态特地检测

多模态特地检测（Multimodal Anomaly Detection, MAD）通过会通来自不同数据源（如图像、文本、传感器数据）的互补信息，权贵进步了检测系统的准确性和鲁棒性。其中枢挑战在于怎样灵验对王人和会通异构的模态信息。综述回顾了三种主流的会通战术：早期会通在输入层即团结特征；晚期会通在有筹办层衔尾各模态的孤独输出；而动态会通则能凭据输入数据的高下文自恰当地调节各模态的权重。协同扩散（Collaborative Diffusion）等先进框架通过构建分享的镶嵌空间和动态会通模块，灵验处分了模态对王人和信息不平衡的问题，在工业检测、智能监控等场景中展现了高大后劲。

图 8：多模态特地检测的观点图。MAD 通过早期、晚期或动态战术会通多源信息。

3.6 特地生成

特地生成（Anomaly Generation, AG）的主要动机是处分试验宇宙中特地样本稀缺的根人性难得。扩散模子凭借其超卓的生成能力，不错创造出传神且千般的合成特地。该时刻以正常数据为 “种子”，通过引入文本态状、掩码或在潜空间进行特定操作等条款化指引，精准地限度生成特地的类型、位置和严重进度。这些生成的特地数据不仅不错用于推行试验集以增强检测模子的泛化能力，还能算作 “陪练” 来系统性地评估和进步模子的鲁棒性，并为自监督学习范式提供了选藏的试验信号。

图 9：特地生成的观点图。AG 诈欺受指引的扩散模子生成合成特地，以用于数据增强和模子测试等任务。

四、挑战与机遇

尽管 DMs 在特地检测与生成畛域获得了一定的进展，但仍面对诸多挑战。其一，筹办服从。DMs 的试验和推理过程常常需要较高的筹办资源和时辰资本，这截至了其在内容场景中的应用，无法知足工业等应用场景下快速反馈需求。其二，模子对复杂场景的恰当性。在物理宇宙中，多模态异构数据时时具有复杂的分散和噪声，怎样使 DMs 在这些复杂情况下仍能准确地检测纵脱可能特地，仍需进一步探索。

预测畴昔，该畛域展现出出色应用远景和究诘后劲。第一，优化 DMs 的架构和算法，提高其筹办服从，使其粗略在资源受限的环境中启动。开导轻量级的扩散模子，或者收受模子压缩、加快推理等时刻，有望处分筹办服从问题。第二，增强 DMs 对复杂场景的会聚和恰当能力亦然重要。通过引入多模态信息、立异数据增强时刻等样式，使模子粗略更好地处理复杂多变的数据。第三，探索 DMs 与基础模子以及强化学习等前沿时刻的衔尾，将为面向试验应用的特地检测与生成模子带来新的突破。

五、结语

该综述系统梳理了 DMs 在特地检测与生成畛域的时刻进展，从表面基础、方法分类到应用场景酿成齐全究诘体系：

时刻框架的系统性构建：初度将基于 DMs 的特地检测方法辩认为基于重构、基于密度、基于分数三大评分范式，并针对图像、视频、时辰序列等不同数据模态，推崇模子架构分类和最新进展。

学术究诘的前瞻性预测：客不雅判辨面前时刻瓶颈，包括扩散过程的多步筹办支拨、小样本场景的泛化能力不及、表面说明的缺失等；预测主要究诘趋势，如与大说话模子会通杀青高下文感知检测、基于元学习的快速畛域恰当、以及面向及时场景的高效架构瞎想。

淌若您对这篇综述感兴味，迎接阅读和援用论文：

@misc{liu2025anomaly,

title = {Anomaly Detection and Generation with Diffusion Models: A Survey},

author = {Liu, Yang and Liu, Jing and Li, Chengfang and Xi, Rui and Li, Wenchao and Cao, Liang and Wang, Jin and Yang, Laurence T. and Yuan, Junsong and Zhou, Wei},

year = {2025},

primaryclass = {cs.LG},

eprint = {2506.09638},

doi = {10.48550/arXiv.2506.09638},

url = {https://arxiv.org/abs/2506.09638},

}

© THE END开云kaiyun.com

发布于：北京市