AAAIDec, 2023

基于扩散的多类异常检测框架 DiAD

PDF
TL;DR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）。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 学习特征反演用于通用型 COCO-AD 基准下的多类异常检测

    构建了一个大规模通用的 COCO-AD 数据集，提出了一些实用的基于阈值的 AD 特定度量标准，并通过提出的 InvAD 框架改进了基于重构的方法在多类无监督设置下的有效性。

    Apr, 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

  • 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

  • 复杂工业图像的监督异常检测

    自动化视觉检测在工业生产线上对于提高产品质量至关重要。异常检测方法是实现此目的的强大工具。此论文介绍了一种包含具有挑战性真实缺陷实例的新型实际工业数据集，并提出了一种基于分割的异常检测器，其在该数据集上表现出先进性能。

    May, 2024

  • 一个用于稳健异常检测的 “先恢复后分类” 的框架

    通过分析故障案例，揭示了当前异常检测方法未能实现更高识别准确性的原因，并提出了一种新的 Recover-then-Discriminate (ReDi) 框架，通过自动生成的特征图和选择的提示图像来解决问题，该框架在两个挑战性异常检测数据集上实现了最新的准确性。

    Jun, 2024

  • 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

  • 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