扩散模型中存在一种偏倚，来自信号泄漏的偏差概率分布与噪声概率分布不一致，造成训练和推理过程不匹配。我们展示了当模型针对特定风格进行调整时，信号泄漏偏倚尤为显著，导致次优的风格匹配。最近的研究尝试在训练过程中避免信号泄漏，而我们则展示了如何利用现有扩散模型中的信号泄漏偏倚，以实现对生成图像的更多控制。这使我们能够生成亮度更加多变的图像，并且更好地匹配所期望的风格或颜色。通过对信号泄漏在空间频率和像素域的分布进行建模，并在初始潜在空间中引入一个信号泄漏，我们生成的图像更好地匹配预期结果，无需任何额外的训练。

Sep, 2023

本研究中，我们展示了在工业场景中可以利用扩散模型改进数据增强过程以增强表面缺陷检测。我们提出了一种名为 In&Out 的数据增强方法，混合了超出分布和分布内样本，可以在零样本数据增强和少样本和多样本数据增强设置下处理缺陷数据。在挑战性的 Kolektor 表面缺陷数据集 2 上，我们定义了新的弱监督分类 AP 得分，达到了.782。

Jun, 2024

本文提出了一种基于扩散模型的飞行器低光图像增强方法，通过一种数据集收集方案和自动化的物理模拟生成器来对数据进行预处理。我们的方法在图像亮度增强方面表现更好，在图像质量方面与以前的方法相当。

Jun, 2023

本研究针对制造领域中先进节点技术中扫描电子显微镜图像的缺陷检测问题，提出了一个名为 “SEMI-DiffusionInst” 的新的半导体缺陷检测框架，并证明了该方法可以准确地检测并划分缺陷图案

Jul, 2023

使用 X 射线单投影和多投影（CT）图像进行自动损伤和缺陷检测的基于数据驱动建模的方法和挑战，主要包括数据和特征的变异性，数据特征标注（用于监督机器学习），以及缺乏地面实况数据等。

Nov, 2023

本文提出了使用轻量级多本地内在维度 (multiLID) 技术，在对抗性生成数据检测的基础上，进行合成图像自动检测和相应生成器网络的识别的方法，该方法与现有检测方法相比，在许多现实用例中提供接近完美的检测结果，并证明在扩展性、检测性能和模型鲁棒性等方面的表现优越性。

Jul, 2023

通过注意力机制和深度神经网络，提出了一种改进的 DifferNet 解决方案：AttentDifferNet，它在三个工业检测数据集中实现了改进的图像级缺陷检测和分类性能，达到了业界最新水平，突出了注意力在工业异常检测中的重要性。

Nov, 2023

通过合成验证数据的方法，我们提出了一个用于评估基于图像的异常检测器的通用框架，该框架与其他基于真实验证集的方法选择相同的模型和超参数，并在各种实验中表现出最佳的异常检测准确性。

Oct, 2023

通过利用原位光学图像识别可见的宏观缺陷状态特征，本文详细介绍了利用语义分割方法进行缺陷分割的方法，并采用基于 YOLOV3 和 DeeplabV3plus 架构的深度学习算法，在钻石生长的过程中取得了很好的准确性。

Apr, 2024

利用人机互动的方式进行零样本生成，增强了结果的可解释性和人类反馈环路的鲁棒性，同时避免了耗时的微调过程，展示了在 KSDD2 数据集上与先进的数据增强方法相比，AP 提升约 18%（当有正样本时）和 28%（当正样本缺失时）的显著优势。

Jul, 2024