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
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
该研究探讨了扩散模型在无监督和半监督异常检测中的应用,并在相应的基准测试中表现出了出色的性能,特别是在 DTPM 中,使用深度神经网络提高推断效率,获得了比 DDPM 更快的推理时间和更好的性能。
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
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
提出了一种名为 Step-Adaptive Training 的创新训练策略,通过在初始阶段训练一个基础去噪模型来涵盖所有时间步长,然后将时间步长分成不同的组,在每个组内进行微调以实现专门的去噪能力,这种方法不仅提高了模型性能,还显著降低了计算成本。
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
基于重建模型的适应动态邻居蒙版及 Transformer 和 Denoising Diffusion Model 的相结合的新框架 DDMT,在多元时间序列异常检测方面取得了具有先进性的结果。
Oct, 2023
通过在扩散模型上引入条件机制,对无监督异常检测中的脑部 MRI 图像重构进行优化,以提高重构质量、域适应性特征和分割性能,并且可在不同 MRI 采集和模拟对比度之间进行领域适应,从而提高脑部 MRI 无监督异常检测的性能和泛化能力。
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。