Jul, 2023

LafitE: 带有特征编辑的潜在扩散模型用于无监督多类异常检测

PDF
TL;DR在灵活的制造系统中，提出了一种无监督的多类异常检测方法，其中包括使用隐式扩散模型来重构数据，使用特征编辑策略来避免 “身份捷径” 问题，以及综合异常数据为虚假验证集来解决超参数选择问题。
flexible manufacturing systemsunsupervised multi-class anomaly detectionlatent diffusion modelsfeature editing strategyhyperparameter selection
发现论文，激发创造
  • 融合潜在扩散模型的在线自适应工业缺陷生成的新方法

    介绍了一种针对工业异常检测中缺乏缺陷样本的挑战的新算法，利用扩充缺陷样本来提高异常检测性能。该方法通过在潜在空间中生成缺陷样本的扩散模型，并通过一个特征编辑过程对其进行优化，采用三阶段的图像生成推理策略，生成高质量、多样化的缺陷样本，从而显著提高了基于扩充训练集的异常检测的准确性。在广泛认可的 MVTec AD 数据集上，该方法将其异常检测的表现提升了 1.5％，1.9％和 3.1％的 AP、IAP 和 IAP90 指标。

    Feb, 2024

  • GLAD: 全局和局部自适应扩散模型以实现更好的无监督异常检测

    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

  • 基于扩散的多类异常检测框架 DiAD

    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

  • 异常扩散：基于扩散模型的少样本异常图像生成

    提出了一种基于扩散的少样本异常生成模型，利用大规模数据集中学习到的潜在扩散模型的强优先信息，增强生成的真实性，并通过创新的自适应注意力重新加权机制提高生成异常图像和异常遮罩之间的对齐，实现了准确匹配的异常图像 - 遮罩对，从而显著提高异常检测任务的性能。

    Dec, 2023

  • 基于潜变扩散模型的长尾识别

    通过基于隐式扩散模型的特征增强方法，本研究解决计算机视觉中的长尾不平衡分布问题，并在 CIFAR-LT 和 ImageNet-LT 数据集上验证了模型的准确性提升。

    Apr, 2024

  • 自我监督特征适应用于三维工业异常检测

    通过多模态数据和自监督特征适应方法，本文在工业异常检测领域提出了一种局部到全局的自适应特征调整方法，显著提高了特征嵌入方法的性能，并取得了超越之前最先进方法的显著成果。

    Jan, 2024

  • MAEDiff: 基于掩码自编码器增强扩散模型的无监督脑部图像异常检测

    我们提出了一种新颖的蒙版自编码器增强扩散模型 (MAEDiff)，用于无监督异常检测脑部图像。MAEDiff 包括分层补丁分割，通过重叠上层补丁生成健康图像，并在次级补丁上采用基于蒙版自编码器的机制来增强未加入噪声区域的条件。对肿瘤和多发性硬化症病灶的数据进行了大量实验证明了我们方法的有效性。

    Jan, 2024

  • 医学异常检测的扩散模型

    我们提出了一种基于去噪扩散内隐模型的弱监督异常检测方法，结合分类器指导进行病态和健康主体之间的图像翻译，生成非常详细的异常地图，无需复杂的训练过程。

    Mar, 2022

  • MoLA: 运动生成与编辑的潜在扩散增强对抗训练

    该论文提出了一种名为 MoLA 的快速高质量运动生成框架，能够处理多项编辑任务，并利用变分自动编码器和潜在扩散模型实现高质量的快速生成。此外，还应用了一种无需训练的引导生成框架来实现各种编辑任务，从而证明了对抗性学习在文本到运动生成中的有效性，并展示了编辑框架在运动领域中的适用性。

    Jun, 2024

  • 探究无监督视频异常检测的扩散模型

    本研究探究了扩散模型在不使用数据注释的情况下，用于视频异常检测的性能。实验结果表明，该方法优于现有的生成模型，并且是第一项使用扩散模型并研究其参数影响的研究。

    Apr, 2023