Dec, 2023

无监督异常检测：使用聚合的规范扩散

PDF
TL;DR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。
anomaly detectionmedical imagesunsupervised learninguadandi
发现论文，激发创造
  • 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

  • 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

  • 应用自编码器进行无监督的脑 MR 图像异常分割：一项比较研究

    本文旨在建立无监督异常检测的可比较性，利用单一架构、单一分辨率和相同的数据集评估不同方法，并提出未来的研究方向和挑战。

    Apr, 2020

  • 对抗去噪扩散模型用于无监督异常检测

    本文提出了基于敌对去噪扩散模型（ADDM）的研究。ADDM 基于去噪扩散概率模型（DDPM），并通过敌对学习进行互补训练。实验结果表明，ADDM 在无监督 MRI 图像异常检测上表现优于现有的基于生成模型的无监督异常检测方法。

    Dec, 2023

  • UMAD：无监督自动驾驶遮罩层异常检测

    本研究利用生成世界模型和无监督图像分割，重新审视无监督异常检测，并提出 UMAD 方法，其在无监督异常检测方面表现优于现有技术。

    Jun, 2024

  • DISYRE: 无监督异常检测中的扩散激发的合成修复

    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。

    Nov, 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

  • 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

  • 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

  • MADGAN：使用多个相邻的脑 MRI 层面重建的无监督医学异常检测 GAN

    提出了一种无监督的医学异常检测生成性对抗网络（MADGAN）方法，使用基于生成性对抗网络的多个相邻脑磁共振成像切片重建来检测不同阶段的脑部异常，可在 T1 扫描中以 AUC 0.727 的曲线下面积检测轻度认知障碍（MCI）下的阿尔茨海默病，在晚期以 AUC 0.894 检测 AD，并可在 T1c 扫描中以 AUC 0.921 检测脑转移和其他疾病。

    Jul, 2020