复现教程先建环境。仓库的environment.yaml固定了python3.8.5、cudatoolkit11.3、pytorch1.12.1、torchvision0.13.1README 里也要求 Ubuntu / Python 3.8 / CUDA 环境。建议优先按environment.yaml创建再按需要微调驱动版本。repo environment.yamlcondaenvcreate-fenvironment.yaml conda activate Anomalydiffusion pipinstallpytorch-lightning1.7.7下载 LDM 基础模型权重。README 要求把官方 latent diffusion checkpoint 放到models/ldm/text2img-large/model.ckpt。READMEmkdir-pmodels/ldm/text2img-large/wget-Omodels/ldm/text2img-large/model.ckpt https://ommer-lab.com/files/latent-diffusion/nitro/txt2img-f8-large/model.ckpt准备 MVTec 数据集路径。后面所有脚本都要传--mvtec_path生成数据和评测也会用到这个路径。README训练异常生成模型。README 给出的入口是main.py参数重点是--spatial_encoder_embedding、--data_enhance、--actual_resume、--base、--mvtec_path。README main.pyCUDA_VISIBLE_DEVICES$gpu_idpython main.py\--spatial_encoder_embedding--data_enhance\--baseconfigs/latent-diffusion/txt2img-1p4B-finetune-encoderembedding.yaml\-t\--actual_resumemodels/ldm/text2img-large/model.ckpt\-ntest\--gpus0\--init_wordanomaly\--mvtec_path$path_to_mvtec_dataset训练 mask 生成模型并产出异常图像-掩码对。对应脚本是run-mvtec.py。READMECUDA_VISIBLE_DEVICES$gpu_idpython run-mvtec.py--data_path$path_to_mvtec_dataset训练和测试下游任务。README 分别给了定位和分类两条线先用生成数据训练再测试。READMEpython train-localization.py--generated_data_path$path_to_the_generated_data--mvtec_path$path_to_mvtecpython test-localization.py--generated_data_path$path_to_mvtecpython train-classification.py--mvtec_path$path_to_mvtec--generated_data_path$path_to_the_generated_datapython test-classification.py--mvtec_path$mvtec_path--generated_data_path$path_to_the_generated_data评估生成质量。仓库还提供了cal_ic_lpips.py用来算 IC-LPIPS。READMEpython cal_ic_lpips.py--mvtec_path$path_to_mvtec--gen_path$path_to_the_generated_data注意README 里写的是 CUDA 11.8但environment.yaml锁的是cudatoolkit11.3实际复现时要以你机器驱动和环境兼容为准。先确认models/ldm/text2img-large/model.ckpt、mvtec_path、generated_data_path这三个路径都正确否则后续脚本会直接失败。如果你要我可以下一条直接给你整理成一份可放进README.md的中文版“复现指南”。