La generación de defectos es un método crucial para resolver problemas de datos en la detección industrial de defectos. Sin embargo, los métodos actuales de generación de defectos sufren de problemas como la pérdida de información de fondo, la consideración insuficiente de defectos complejos y la falta de anotaciones precisas, lo que limita su aplicación en tareas de segmentación de defectos. Para abordar estos problemas, propusimos un método de generación de defectos que preserva el fondo y está guiado por máscaras, MDGAN (redes adversariales de generación de defectos guiadas por máscara). Primero, para preservar el fondo normal y proporcionar anotaciones precisas para las muestras de defectos generadas, propusimos un módulo de reemplazo de fondo (BRM), para añadir información de fondo real al generador y guiar al generador a centrarse únicamente en la generación del contenido del defecto en regiones específicas. En segundo lugar, para garantizar la calidad de los defectos de textura compleja generados, propusimos un módulo de doble discriminación (DDM), para ayudar al discriminador a medir el realismo de la imagen de entrada y distinguir si los defectos estaban distribuidos en ubicaciones específicas. Los resultados experimentales en productos de metal, tela y plástico mostraron que MDGAN podía generar muestras de defectos diversificadas y de alta calidad, demostrando una mejora en la detección en comparación con las muestras aumentadas tradicionales. Además, MDGAN puede transferir defectos entre conjuntos de datos con contenidos de defectos similares, logrando así la detección de defectos en cero disparos.