CVPRMar, 2024

RealNet：具有逼真合成异常的特征选择网络用于异常检测

PDF
TL;DRRealNet 网络通过强度可控的扩散过程来生成具有不同异常强度的样本，并通过选择代表性和有区分度的预训练特征子集以及自适应地选择判别性残差来提高异常检测性能。在四个基准数据集上的评估结果显示，与当前最先进方法相比，RealNet 在图像 AUROC 和像素 AUROC 方面均取得了显著改进。
self-supervised feature reconstructionanomaly detectionsynthetic anomalyadaptive feature selectiondiffusion anomaly synthesis
发现论文，激发创造
  • SimpleNet：图像异常检测与定位的简单网络

    本文提出一种简单且应用友好的神经网络（简称 SimpleNet），用于检测和定位异常。SimpleNet 由四个组件组成：预训练特征提取器、浅层特征适配器、简单异常特征生成器和二进制异常鉴别器，并在 MVTec AD 基准测试上实现了 99.6％的异常检测 AUROC。

    Mar, 2023

  • ReSynthDetect: 一种具有重建和合成特征的眼底异常检测网络

    使用无监督方法检测眼底图像中的异常情况是一项具有挑战性的任务，由于正常和异常组织之间的相似性以及它们模糊的边界。当前的方法在准确检测细微异常和避免误报方面存在局限性。为了解决这些挑战，我们提出了 ReSynthDetect 网络，该网络利用重建网络对正常图像进行建模，并产生与眼底图像外观一致的合成异常。通过结合一致异常生成和图像重建的特征，我们的方法适用于检测眼底异常情况。所提出的方法在 EyeQ 和 IDRiD 等基准数据集上进行了大量测试，展示了图像级别和像素级别异常检测方面的最新性能。我们的实验表明，在 EyeQ 上的 AUROC 方面有 9% 的显著改善，在 IDRiD 上的 AUPR 方面有 17.1% 的显著改善。

    Dec, 2023

  • DeepFeatureX Net: 基于深度特征提取网络的合成图像与真实图像区分

    基于三个块的新型方法，通过提取具有分辨力的特征来区分不同类型的图像，进而解决深度学习算法生成的合成图像在数字取证领域中的挑战，实验证明该方法在 JPEG 压缩和泛化测试方面具有良好的鲁棒性并超越了现有方法。

    Apr, 2024

  • 面向可扩展的三维异常检测和定位：通过三维异常合成和自我监督学习网络的基准测试

    为了解决现有模型的可扩展性问题，本文提出了一种基于现有大规模 3D 模型的 3D 异常合成流程，以适应 3D 异常检测。同时，为了实现可扩展的 3D 异常定位表示学习，本文提出了一种自我监督方法 —— 迭代掩蔽重建网络（IMRNet），并在 Anomaly-ShapeNet 数据集和 Real3D-AD 数据集上取得了显著优于先前方法的成果。

    Nov, 2023

  • 基于交叉蒙版修复的多特征重建网络在无监督异常检测中的应用

    本研究提出了一种多特征重建网络（MFRNet），通过平行特征修复和交叉遮罩还原将图像重建转化为多特征重建，用于无监督异常检测。实验结果表明，该方法在四个公开数据集和一个自制数据集上表现出色，并明显优于其他状态艺术品。

    Apr, 2024

  • 利用再构和混合图像以及多尺度特征再构神经网络进行广义深度伪造检测

    通过生成合成的混合图像并利用多尺度特征重建网络，实现更好的跨操作检测和跨数据集检测性能。

    Dec, 2023

  • 基于特征注意力机制的真实图像去噪

    本文提出一种基于模块化结构及特征关注的单步盲目真实图像去噪网络 (RIDNet)，在三个合成噪声和四个真实噪声数据集上通过 19 个最先进的算法的评估，表明 RIDNet 在定量指标和视觉质量上均具有优越性。

    Apr, 2019

  • 用于异常检测和定位的原型残差网络

    该研究提出一种名为 PRN 的框架，通过学习异常和正常模式之间的特征残差，以准确重构异常区域的分割图。PRN 包括多尺度原型和多尺寸自注意机制，以及多种异常生成策略，并在多个数据集上实验证明其优于目前的无监督和监督方法。

    Dec, 2022

  • 增强重构的多视角对比学习用于带属性网络异常检测

    本研究提出了一种基于自监督学习的框架来更准确地检测带属性网络中的异常节点，其中结合了多视图对比学习模块和属性重构模块。实验表明该模型优于当前最先进的模型。

    May, 2022

  • ReContrast：通过对比重构实现领域特定的异常检测

    本文提出了一种名为 ReContrast 的 UAD 方法，通过特征重构和对整个网络进行优化，实现了对目标领域的训练和检测能力，实验结果表明该方法在工业缺陷检测和医学图像 UAD 任务中具有优越性。

    Jun, 2023