Oct, 2023

提升表面异常检测的切除与恢复：基于注意力的单一确定性掩码

PDF
TL;DR表面检查中的异常检测是制造业中一项重要且具有挑战性的任务，我们提出了一种名为 Excision and Recovery（EAR）的新型重建方法，通过单一确定性掩模来屏蔽潜在的疑似缺陷区域，用于异常检测。通过实验证明，EAR 模型在异常检测性能和吞吐量方面均优于现有方法。
发现论文，激发创造
  • 基于重构误差的少量异常样本检测

    探索如何使基于重构误差的神经网络模型在发现异常值时可以将已知的异常值排除在正常数据的范畴之外，并利用一些有限的异常数据来增加正常数据和异常数据之间的差异以提高异常检测的性能。

    May, 2023

  • 无监督异常检测和定位的自监督遮掩

    这篇论文提出了一种名为 “自监督遮盖” 的无监督异常检测和定位方法，通过随机遮盖和恢复来扩展基于重建的异常检测架构，并引入了渐进式遮盖细化方法来进一步提高检测和定位效率和效果。

    May, 2022

  • 使用 Skip 连接在 Stain-shaped 噪声污染的图像上训练自编码器以提高异常检测

    本文研究工业视觉中基于自编码器网络的异常检测问题，通过引入 skip 连接的自编码器结构并使用一种新的 Stain 噪声模型，使网络能从有缺陷的图像中重建出干净图像，实现像素级或者图像级的异常检测。

    Aug, 2020

  • 缺陷检测的修复变压器

    这篇论文提出了一种使用自注意力方法的纯补全变换模型，用于计算机视觉中的异常检测，其使用深度学习自动编码器来识别图像中的异常部分，并可实现区分性补全，同时提高了检测结果的准确性。

    Apr, 2021

  • 自监督预测卷积注意力块用于异常检测

    本研究提出了一种自监督预测建筑模块，将基于重建的功能集成到其中，以此提高现有图像和视频异常检测方法的性能。

    Nov, 2021

  • 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

  • 使用敌对式上下文掩模的一类学习型编码器 - 解码器网络用于新奇性检测

    研究了使用新型的自编码器方法来提高新颖性检测，使用 Mask Module 生成最优的遮罩，通过两个竞争的网络来优化输入遮罩，达到了比传统方法更好的效果。

    Mar, 2021

  • 医疗影像无监督异常检测的遮蔽自编码器

    本论文提出了一种使用模板自编码器模型和伪异常模块来训练医学图像中的异常检测的方法，并成功在 BRATS2020 和 LUNA16 等数据集上进行实验。

    Jul, 2023

  • 增强重构的多视角对比学习用于带属性网络异常检测

    本研究提出了一种基于自监督学习的框架来更准确地检测带属性网络中的异常节点，其中结合了多视图对比学习模块和属性重构模块。实验表明该模型优于当前最先进的模型。

    May, 2022

  • 自主训练的深度可变形蒙版自编码器在颅骨缺陷重建中的自动应用

    使用自监督遮蔽自编码器解决颅骨缺陷的问题，通过对比先进的深度神经网络，在 SkullBreak 和 SkullFix 数据集上展示了定量和定性的改进，实现实时有效重建颅骨缺陷。

    Apr, 2024