可度量多样性的异常检测
通过使用统一的模型,提出了一种名为 Dual Memory bank enhanced representation learning for Anomaly Detection (DMAD) 的新框架,该框架处理了无监督和半监督场景,通过双重存储器来计算正常和异常模式之间的特征距离和特征注意力,从而构建了用于异常分数学习的增强表示。通过在 MVTec-AD 和 VisA 数据集上的评估,结果表明 DMAD 超越了当前最先进的方法,突显了 DMAD 在处理复杂的实际异常检测场景中的能力。
Mar, 2024
本文提出 DDAD,一种新的基于去噪扩散的异常检测方法,其中包括图像重建的新型去噪过程、利用生成样例细调特征提取器的域适应方法等,通过在多个数据集上的测试验证了其优越性能。
May, 2023
这项研究提出了一种名为遮蔽扩散后验抽样(MDPS)的新方法,该方法能够数学地重建正常图像并在贝叶斯框架下基于扩散的正常图像先验进行多次扩散后验采样,通过像素级和感知级的度量有效计算每个正常后验采样与给定测试图像之间的差异图,并通过对多个后验采样的所有差异图求平均来获得异常分数,实验证明 MDPS 在正常图像重建质量、异常检测和定位方面能够达到最先进的性能。
Apr, 2024
本文提出了一种基于判别模型的重构异常嵌入模型(DRAEM),用于解决视觉表面异常检测问题,该方法无需手工后处理即可实现异常区域定位。实验结果表明 DRAEM 在 MVTec 异常检测数据集上比当前最先进的无监督方法优异得多,甚至在 DAGM 表面缺陷检测数据集上也可以接近全监督方法的检测性能,并且比全监督方法在定位准确度上表现更好。
Aug, 2021
通过引入合成异常样本和空间自适应特征融合方案,本文提出了一种全局和局部自适应扩散模型(GLAD)用于无监督异常检测,增加了灵活性并实现了无异常的重构,同时保留了尽可能多的正常信息。
Jun, 2024
本文提出了基于敌对去噪扩散模型(ADDM)的研究。ADDM 基于去噪扩散概率模型(DDPM),并通过敌对学习进行互补训练。实验结果表明,ADDM 在无监督 MRI 图像异常检测上表现优于现有的基于生成模型的无监督异常检测方法。
Dec, 2023
本文提出了一种基于 3D 点云和 RGB 图像的新型多模式异常检测方法 M3DM,其中采用了无监督特征融合、决策层融合和点特征对齐等技术,实验表明该方法优于现有的同类方法。
Mar, 2023
扩展前述的隐式条件方法,我们提出了一种新的框架,通过动态步长计算、无噪声缩放输入和潜在空间投影的方式增强了扩散模型的能力,有效地定位异常并在两个著名异常检测数据集上取得了最先进的性能。
Jan, 2024
本研究提出了一种使用深度学习和多元高斯模型相结合的方法来进行图像中的异常检测,该方法通过预先训练大规模图像数据集上的分类器来建立正常图像的模型,使用马氏距离作为异常得分,可以在 MVTec AD 数据集上获得 95.8±1.2 的 AUROC 值,并探究了该方法在图像中异常检测中的可行性和影响因素。
May, 2020
基于扩散模型的异常检测中,提出了一种适用于多类异常检测的扩散异常检测(DiAD)框架,包括像素空间自动编码器、与稳定扩散去噪网络相连的潜空间语义引导(SG)网络,以及特征空间预训练特征提取器。通过实验证明了该方法的有效性,并超过了多类 MVTec-AD 数据集上的最先进方法,即对于多类 MVTec-AD 数据集的本地化和检测,达到了 96.8/52.6 和 97.2/99.0(AUROC/AP)。
Dec, 2023