Jul, 2023

无监督的三维离群检测与潜在扩散模型

PDF
TL;DR使用潜在扩散模型 (LDM) 实现了对高分辨率 3D 医学数据的强健异常检测，与使用潜在转换模型 (LTMs) 的方法相比，LDM 方法表现更好、对潜在表示更不敏感、内存缩放更合理以及生成更好的空间异常图。
out-of-distribution detection3d datadenoising diffusion probabilistic modelslatent diffusion modelslatent transformer models
发现论文，激发创造
  • 使用扩散模型进行未见图像合成

    通过使用预训练和冻结的去噪扩散概率模型 (DDPM) 来逆向编码并优化隐藏域，从未见过的域图像合成，证明了这种新颖视角探索和重新思考扩散模型的数据合成广义能力的有效性。

    Oct, 2023

  • 基于直方图和扩散的医疗异常检测

    基于直方图和扩散的方法相结合，该研究旨在通过对医学图像进行无监督异常检测，探索并提出后处理步骤以提高医学图像中异常检测的性能。

    Oct, 2023

  • 基于深度度量学习的合成异常暴露的离群分布检测

    该研究提出了一种将深度度量学习和扩散模型结合起来的新方法，用于通过合成数据对于分布外（OOD）进行检测，并证明基于度量学习的损失函数优于 softmax，在生成的 OOD 数据上的训练使得模型在传统 OOD 检测指标上表现优于强基线模型。

    May, 2024

  • 双条件扩散模型用于异常分布检测：胎儿超声视频应用

    在胎儿超声视频中，通过引入双条件扩散模型（DCDM），我们将模型限制在生成与 ID 集内结构和语义类似的图像上，以检测 OOD 样本，其具有高结构相似性和大内部分布方差。该模型在准确性上比参考方法提高了 12％，在精确度上提高了 22％，F1 得分提高了 8％。

    Nov, 2023

  • 利用扩散先验进行外部分布检测

    利用扩散模型的生成能力和 CLIP 的强大特征提取能力，我们提出了一种新颖的 OOD 检测方法，通过使用这些特征作为扩散模型的条件输入，我们可以在使用 CLIP 进行编码后重建图像。原始图像与重建图像之间的差异被用作 OOD 识别的信号，我们的方法不需要类别特定的标记，提高了实用性和可扩展性，且经过多个基准数据集的广泛实验证明了我们方法的鲁棒性和有效性。

    Jun, 2024

  • LDM3D：3D 的潜在扩散模型

    本研究提出了一种潜在扩散模型用于 3D (LDM3D)，可以从给定的文本提示生成图像和深度图像数据，使用生成的 RGB 和深度图像可以创建令人沉浸的和交互性 360 度视图体验，有潜力革新娱乐、游戏、建筑和设计等行业。

    May, 2023

  • 使用潜在扩散模型进行高分辨率图像合成

    通过在预训练的自编码器的潜在空间中应用扩散模型，引入交叉注意力层到模型体系结构中，以更少的计算要求取得接近最优的性能，实现高分辨率合成，缩小像素级 DMs 对计算资源的需求。

    Dec, 2021

  • Perceptron 偏置的扩散去噪处理在超分布检测中的应用

    本文提出了一种新的 OOC 检测方法，探讨了鉴别模型在特定区域中对数据更敏感，借此提出了基于扩散模型的检测方法和指标分数，结合鉴别模型和生成模型进行检测，实验结果表明该方法在 CIFAR10 和 CIFAR100 数据集上有竞争力。

    Nov, 2022

  • 学习离散去噪扩散 ODEs

    LD3 是一个轻量级的学习时间离散化的框架，可在采样 Diffusion ODE 时与各种求解器结合使用，从而提高采样效率并减少计算开销。

    May, 2024

  • 辅助扩散模型的异常想象

    使用辅助离群数据集来规范机器学习模型为数据分布外（OOD）检测和安全预测提供了有希望的结果。本文提出了一个名为 DREAM-OOD 的新框架，能够通过扩散模型在像素空间中仅使用分布内（ID）数据和类别想象出逼真的异常值。与先前的工作不同，DREAM-OOD 能够在像素空间中直接可视化和理解想象的异常值，并展示通过 DREAM-OOD 生成的样本训练可以提高 OOD 检测性能。

    Sep, 2023