Mar, 2024

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

PDF
TL;DR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。
denoising diffusion modelsunsupervised medical anomaly detectionlatent bernoulli diffusion modelsautoencoderanomaly detection scores
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

  • BerDiff: 医学图像分割的条件伯努利扩散模型

    提出了一种基于 Bernoulli 扩散模型的医学图像分割方法，可以生成多样化的分割掩模，可以突出感兴趣的区域作为放射科医师的有价值的参考，并且在两个医学图像分割数据集中表现出比其他最先进的方法更好的效果。

    Apr, 2023

  • 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

  • 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

  • 二元潜在扩散

    本文基于自动编码器训练了一个伯努利编码分布的二元潜空间模型，用于图像压缩和高分辨率图像生成。结果表明该方法无需使用多级层次结构即可大幅提高采样效率，生成的图像质量好且效果与现有先进方法相当。

    Apr, 2023

  • 异常扩散：基于扩散模型的少样本异常图像生成

    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。

    Dec, 2023

  • 使用掩码扩散模型进行医学图像无监督异常检测

    本研究提出了一种名为 mDPPM 的方法，通过引入基于掩码的正则化来重新定义扩散模型的生成任务，以将无标签数据用于自我监督学习，从而从健康脑的样本级标签生成所需的表示，确保结果是解剖一致的。 该研究在包含肿瘤和多发性硬化症病变的数据集上评估了这种方法，并展示了我们的无监督方法相对于现有完全 / 弱监督基线的优越性能。

    May, 2023

  • 遮蔽扩散作为自监督表示学习者

    最近，去噪扩散概率模型展示了最先进的生成性能，并被用作强大的像素级表示学习器。本文将扩散模型内在的生成能力与表示学习能力之间的相互关系进行了分解。我们提出了掩蔽扩散模型 (MDM)，这是一种可扩展的自监督表示学习器，用于将传统扩散中的加性高斯噪声替换为遮罩机制。我们所提出的方法在医学和自然图像语义分割任务中明显超越了先前的基准，并在少样本场景下展示了显著的进展。

    Aug, 2023

  • 统一自编码与屏蔽扩散

    提出了一种统一的自监督目标（Unified Masked Diffusion），通过在单一的自编码框架中结合基于补丁和噪声的破坏技术，使用扩散变换器（DiT）培训过程中引入额外的无噪声、高掩膜表示步骤，并在后续时间步骤中使用混合的掩膜和噪声图像，以实现在下游生成和表示学习任务中强大的性能。

    Jun, 2024

  • 关于扩散建模用于异常检测

    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。

    May, 2023