ICCVAug, 2023

DiffGuard: 利用预训练扩散模型进行语义不匹配引导的 ODD 检测

PDF
TL;DR使用预训练扩散模型进行语义不匹配引导的 OOD 检测，名为 DiffGuard，在 Cifar-10 和大规模 ImageNet 上表现出效果，并且可以与现有的 OOD 检测技术轻松结合以实现最先进的结果。
semantic out-of-distributionsemanticsood detectionconditional generative adversarial networkdiffguard
发现论文，激发创造
  • 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

  • 基于掩蔽下语义不匹配的 ODS 检测

    本文提出了一种名为 MoodCat 的新型出界检测框架，该框架适用于图像分类器，并使用了一种生成模型来遮盖随机部分的输入图像，并将其合成为一张依据分类结果的新图像，然后计算原始图像和合成图像之间的语义差异以进行出界检测。实验结果表明，MoodCat 比其他现有的 OOD 检测方法具有更好的性能。

    Jul, 2022

  • 语义分割的判别式非分布检测

    本文提出了一种针对视觉分类中的开放世界场景中的数据分割问题的新方法，该方法能够训练出一个专门针对原始训练集以及更大的 “背景” 数据集的 ODD（出现在分布之外的异常值）检测模型，并在测试复杂自然图像的数据集中得到了优异的表现。

    Aug, 2018

  • 语义一致的异常检测

    通过对抗高水平的对抗攻击在半先验条件下训练生成对抗网络来提高生成数据的多样性和质量。

    Aug, 2021

  • GDA: 面向稳健测试时适应的通用扩散

    通过引入广义扩散适应（GDA）方法，研究论文提出了一种对不同类型的分布移位具有鲁棒性的测试时间适应方法，实现了在广泛的 OOD 基准测试上的最高分类准确度提升。

    Mar, 2024

  • 单一无条件扩散模型的外部分布检测

    本文介绍了一种名为 Diffusion Paths（DiffPath）的方法，通过利用一个经过训练的单一扩散模型对无条件生成进行 ODD 检测，并引入了一种测量扩散路径变化率和曲率的新技术。实验表明，DiffPath 在涉及不同分布的各种 ODD 任务中，单一模型的性能优于之前的方法。

    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

  • 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

  • 分子图中优化 OOD 检测：利用扩散模型的新方法

    通过采用基于辅助扩散模型的框架，我们提出一种检测异常分子的方法，其中比较输入分子和重构图之间的相似性，并通过生成模型中的迭代去噪过程以有效量化匹配度，构建符合正常分子但远离异常分子的典型图，并使用高效可扩展的异常检测器，比较测试样本与预先构建的典型图之间的相似度并省略每个新分子的生成过程。

    Apr, 2024

  • 梯度正则化的离群样本检测

    利用损失函数的梯度信息进行训练，实现神经网络在离分布数据上的检测，并通过能量采样方法提高模型性能。

    Apr, 2024