arXiv cs.AI· Jiaming Su, Tengchao Yang, Ruikang Zhang, Zhengan Yan, Haoyu Sun, Linfeng Zhang·· 6 天前AI 评分23
AnomalyAgent：基于工具增强强化学习的智能体工业异常合成
AnomalyAgent: Agentic Industrial Anomaly Synthesis via Tool-Augmented Reinforcement Learning
AI 导读
AnomalyAgent 是一个具备自反思、知识检索与迭代优化能力的工业异常合成智能体，配备 Prompt Generation、Image Generation、Quality Evaluation、Knowledge Retrieval、Mask Generation 五个工具实现闭环优化，并采用监督微调加强化学习的两阶段训练框架。
正文 · AI 翻译
摘要：工业异常生成是缓解异常检测任务中数据稀缺问题的关键方法。现有大多数异常合成方法依赖单步生成机制，缺乏复杂推理与迭代优化能力，难以生成具有高语义真实感的异常样本。我们提出 AnomalyAgent，一种具备自反思、知识检索与迭代细化能力的异常合成智能体，旨在生成真实且多样的异常。具体而言，AnomalyAgent 配备五个工具：提示生成（PG）、图像生成（IG）、质量评估（QE）、知识检索（KR）与掩码生成（MG），从而实现闭环优化。为提升决策与自反思能力，我们从真实异常图像中构建结构化轨迹，并设计两阶段训练框架：监督微调后接强化学习。该过程由三部分奖励机制驱动：（1）任务奖励，用于监督生成异常的质量与位置合理性；（2）反思奖励，用于训练模型改进异常合成提示的能力；（3）行为奖励，用于确保遵循轨迹。在 MVTec-AD 数据集上，AnomalyAgent 的异常生成达到 IS/IC-L 为 2.10/0.33，使用 ResNet34 的分类准确率为 57.0%，使用简单 UNet 在图像/像素级别的 AP 为 99.3%/74.2%，超越了所有零样本 SOTA 方法。代码公开于 this https URL。
| 评论： | 23 页，10 幅图。已被 ACM 国际多媒体会议（ACM MM）2026 接收 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2604.07900 [cs.CV] |
| （或 arXiv:2604.07900v2 [cs.CV] 对应此版本） | |
| https://doi.org/10.48550/arXiv.2604.07900 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Jiaming Su [查看邮箱]
[v1]
2026 年 4 月 9 日星期四 07:17:00 UTC（7,165 KB）
[v2]
2026 年 10 月 9 日星期五 09:56:12 UTC（7,198 KB）
来源：arXiv cs.AI · arxiv.org