本研究探讨了深度学习在图像异常检测中的应用，提出了DRAEM和AnomalySD等新方法，旨在提高异常样本的识别效果。实验结果表明，这些方法在MVTec和ImageNet数据集上表现优越，尤其在缺乏正常数据的情况下，能够有效进行异常检测，为工业质量检验提供了新解决方案。

本文介绍了一种新颖的异常检测方法，通过稀疏正常数据训练模型，提升工业质量检验中的异常检测能力。研究提出了ToCoAD两阶段训练策略和基于扩散模型的DiAD框架，显著提高了多类异常的检测性能。实验结果表明，该方法在多个数据集上表现优异，为工业异常检测提供了新的研究基础。