Dec, 2023

投影遗憾：通过扩散模型减少背景偏差用于新颖性检测

PDF
TL;DR通过比较测试图像与其基于扩散模型的投影之间的感知距离以检测异常，Projection Regret (PR) 是一种有效的新颖性检测方法，通过与递归投影进行比较来取消背景偏差，实验证明 PR 在生成模型为基础的新颖性检测方法方面明显优于现有技术。
发现论文，激发创造
  • 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

  • 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

  • 使用投影范数预测分布外误差

    提出一种名为 “Projection Norm” 的度量标准来预测模型在无标签真实标签的情况下对 ODD 数据的性能，这种方法使用伪标签来训练新的模型并与所谓的 输入数据分布模型进行比较以进行预测。该方法在图像和文本分类任务以及不同网络架构上都优于现有方法，并且在理论上将该方法与超参数化线性模型的测试误差的界限相连。此外，发现 “Projection Norm” 是唯一实现对对抗性样本检测非平凡性能的方法。

    Feb, 2022

  • 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

  • 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

  • DiffGuard: 利用预训练扩散模型进行语义不匹配引导的 ODD 检测

    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。

    Aug, 2023

  • 基于去噪扩散概率模型的基于似然的异常检测

    我们提出了一种基于深度去噪扩散模型的离群检测方法，该方法利用了证据下界评估以构建复杂度修正似然比，其结果与基于生成模型的最新离群检测方法相比具有可比性。

    Oct, 2023

  • 使用扩散模型检测异常地球观测图像

    利用扩散模型的重构误差作为无监督的遥感图像越界检测器，引入了一种新型重构得分器 ODEED，并在类地理偏移和近越界设置下，在 SpaceNet 8 上进行了实验验证。结果表明，ODEED 得分器在洪水图像检测等更具挑战性的近越界场景中明显优于其他基于扩散和判别的基准，为利用生成模型进行遥感异常检测铺平了道路。

    Apr, 2024

  • 反射扩散模型

    该研究提出了反射扩散模型用于处理复杂任务中分数扩散模型中的数值误差，通过学习扰动得分函数，并扩展标准扩散模型的关键组成部分，包括扩散指导、基于似然的训练和 ODE 采样来从数据支持的反射随机微分方程开始进行反演。

    Apr, 2023

  • 可能性失误：变分自编码器的异常检测分数

    本研究提出了一种基于 Variational Auto-encoders 的有效的异常检测方法 Likelihood Regret，并在现有的检测方法基础上进行了实验，结果表明我们的方法在 VAEs 上具有最佳的异常检测性能。

    Mar, 2020