AAAIDec, 2023

异常扩散：基于扩散模型的少样本异常图像生成

PDF
TL;DR提出了一种基于扩散的少样本异常生成模型，利用大规模数据集中学习到的潜在扩散模型的强优先信息，增强生成的真实性，并通过创新的自适应注意力重新加权机制提高生成异常图像和异常遮罩之间的对齐，实现了准确匹配的异常图像 - 遮罩对，从而显著提高异常检测任务的性能。
anomaly inspectionfew-shot anomaly generationlatent diffusion modelanomaly embeddingadaptive attention re-weighting
发现论文，激发创造
  • 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

  • D3AD：动态去噪扩散概率模型用于异常检测

    扩展前述的隐式条件方法，我们提出了一种新的框架，通过动态步长计算、无噪声缩放输入和潜在空间投影的方式增强了扩散模型的能力，有效地定位异常并在两个著名异常检测数据集上取得了最先进的性能。

    Jan, 2024

  • 探究无监督视频异常检测的扩散模型

    本研究探究了扩散模型在不使用数据注释的情况下，用于视频异常检测的性能。实验结果表明，该方法优于现有的生成模型，并且是第一项使用扩散模型并研究其参数影响的研究。

    Apr, 2023

  • 一种分层转换 - 判别生成模型用于少样本异常检测

    本文提出了一种基于层次结构生成模型、图像变换和基于尺度的补丁鉴别器的异常检测方法，该方法可以通过极少量的样本（few-shot）训练来鲁棒地检测出图像中的异常样本，实验表明该方法在多个数据集上的表现优于近期的基线方法。

    Apr, 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

  • 融合潜在扩散模型的在线自适应工业缺陷生成的新方法

    介绍了一种针对工业异常检测中缺乏缺陷样本的挑战的新算法，利用扩充缺陷样本来提高异常检测性能。该方法通过在潜在空间中生成缺陷样本的扩散模型，并通过一个特征编辑过程对其进行优化，采用三阶段的图像生成推理策略，生成高质量、多样化的缺陷样本，从而显著提高了基于扩充训练集的异常检测的准确性。在广泛认可的 MVTec AD 数据集上，该方法将其异常检测的表现提升了 1.5％，1.9％和 3.1％的 AP、IAP 和 IAP90 指标。

    Feb, 2024

  • 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

  • 自动扩散模型在异常检测中的增强鲁棒性和泛化能力：掩码、缝合和重采样技术

    AutoDDPM 是一种提高扩散模型鲁棒性的新方法，通过联合噪声分布重采样，将扩散模型生成的潜在异常性的初始似然率图像与原始图像无缝集成，实现了谐波和修补效果，该研究展示了 AutoDDPM 在替换异常区域保留健康组织方面的有效性，同时在医学影像学领域促进了鲁棒和可解释的异常检测。

    May, 2023

  • 可解释的偏差网络深度少样本异常检测

    本篇论文提出了一种少样本异常检测框架，通过弱监督学习方式训练检测模型，维护了良好的正常性表示和异常性表示，同时兼顾了 sample-efficient 考虑，实现了对少量标注样本的训练，并在 9 个实际图像异常检测基准测试中表现显著好于同类方法。

    Aug, 2021

  • 二进制任务中的二进制噪声：用掩蔽伯努利扩散实现无监督异常检测

    基于潜在伯努利扩散模型的新颖快速非监督异常检测方法，通过自编码器将输入图像压缩成二进制潜在表示，使用伯努利噪声进程的扩散模型从扰动的潜在空间进行训练以恢复二进制潜在表示，并基于这些概率提出了基于掩蔽算法来改进异常检测评分，具有超越其他基于扩散的非监督异常检测算法的最新性能，同时显著减少了采样时间和内存消耗。

    Mar, 2024