Nov, 2023

DISYRE: 无监督异常检测中的扩散激发的合成修复

PDF
TL;DR通过使用 Diffusion-Inspired SYnthetic REstoration（DISYRE）方法，学习适用于无监督异常检测（UAD）的评分函数，该方法使用逐渐引入的合成异常损坏代替了高斯噪声来模拟医学自然发生的异常，实验证明 DISYRE 在三个常见脑部 MRI UAD 基准中在两个任务中显著优于其他方法。
发现论文，激发创造
  • 无监督异常检测：使用聚合的规范扩散

    我们介绍了一种名为 ANDi 的新型无监督异常检测（UAD）方法，通过聚合预测去噪步骤与基于金字塔高斯噪声训练的去噪扩散概率模型（DDPMs）中的真实反向过渡之间的差异，在多种类型的异常中展现了显著优越性。

    Dec, 2023

  • 朝着节约的无监督医学图像微细异常检测

    医学成像中的异常检测是一项具有挑战性的任务，可以通过无监督异常检测方法解决，该方法通过识别与正常基准模型不匹配的特征。该论文探讨了使用混合概率分布作为替代方法，以在准确性与计算需求之间取得最优化平衡，并且介绍了一个在线方法来解决大数据量下的内存使用问题，并以帕金森病患者脑部扫描的异常检测为例进行了验证。

    Sep, 2023

  • 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

  • 医学影像非监督异常检测和定位的约束对比分布学习

    提出了一种名为约束对比度分布学习（Constrained Contrastive Distribution learning）的自监督表征学习方法，用于无监督异常检测，它可以学习精细的特征表征，对于肠镜和底片筛查数据集的异常检测优于当前最先进的无监督异常检测方法。

    Mar, 2021

  • 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

  • 基于集成结构的异常评分扩散模型的无监督异常检测

    本研究探讨了结构相似度（SSIM）在大脑 MRI 异常检测方面的潜力，并展示了一种自适应集成策略，该策略能够增强深度学习模型的性能，并减少对不同病理图像的核大小的敏感性。

    Mar, 2024

  • 利用条件降噪扩散模型进行异常检测

    本文提出 DDAD，一种新的基于去噪扩散的异常检测方法，其中包括图像重建的新型去噪过程、利用生成样例细调特征提取器的域适应方法等，通过在多个数据集上的测试验证了其优越性能。

    May, 2023

  • 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

  • 基于聚类的异常检测统一框架

    本文提出了一种新颖的概率混合模型用于异常检测，建立了表示学习、聚类和异常检测之间的理论联系，并通过最大化一种新颖的考虑异常数据的数据似然性，使表示学习和聚类能够有效减少异常数据的不良影响，并共同促进异常检测。通过受物理中的引力分析启发，还设计了一种改进的异常分数，更有效地利用表示学习和聚类的联合能力。在包括 30 个不同数据集的 17 种基准方法的广泛实验中，验证了所提方法的有效性和泛化能力，超过了现有技术方法。

    Jun, 2024

  • （可预测的）无监督异常检测中的性能偏差

    本研究评估了数据集构成对多个保护变量上的无监督异常检测模型性能造成的影响，并引入了新的子组 - AUROC 度量方法，结果显示数据集构成对 UAD 模型的不公平性性能有显著影响。

    Sep, 2023