Jun, 2024

基于扩散的图像生成方法用于表面缺陷检测中的数据增强

PDF
TL;DR本研究中，我们展示了在工业场景中可以利用扩散模型改进数据增强过程以增强表面缺陷检测。我们提出了一种名为 In&Out 的数据增强方法，混合了超出分布和分布内样本，可以在零样本数据增强和少样本和多样本数据增强设置下处理缺陷数据。在挑战性的 Kolektor 表面缺陷数据集 2 上，我们定义了新的弱监督分类 AP 得分，达到了.782。
diffusion modelsdata augmentationsurface defect detectionin-distribution defectskolektor surface-defect dataset 2
发现论文，激发创造
  • 利用扩散先验生成钢表面缺陷图像样本，用于缺陷识别

    针对钢表面缺陷图像生成的数据不足问题，提出了一种稳定的钢表面缺陷图像生成方法，通过在生成过程中对数据分布进行参数调整和采用钢表面图像导向的生成方法，以解决钢表面图像与生成图像的分布差异问题，并在钢表面缺陷数据集上展示了出色的样本生成和识别模型训练性能。

    May, 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

  • 扩散模型在有效数据增强中的应用

    通过使用图像转图像的方法、以及预训练的文本到图像扩散模型将其参数化，解决了数据扩增过程中具有高级语义标注的动物种类等属性缺乏多样性的问题，并在少样本情境和杂草识别任务中得到实际应用。

    Feb, 2023

  • 扩增模型与检索中的数据增强视角

    本文系统评估了扩散模型生成图像的现有方法，并研究了新的扩展方式以评估它们对数据增强的益处。作者发现，将扩散模型个性化到目标数据的方法优于简单的提示策略，但使用扩散模型的训练数据，通过简单的最近邻检索程序，直接提高下游性能。此项研究揭示了扩散模型在数据增强方面的局限性，同时也突显了其在生成新训练数据方面的潜力，以提高在简单的下游视觉任务中的性能。

    Apr, 2023

  • 稳定扩散控制的工业数据图像合成

    使用生成模型在工业数据上重新生成自我标记的有缺陷图像，从而优化真实工业使用情况下的裂缝分割器，显示了该方法在生产环境中的潜力。

    Jan, 2024

  • Diff-Mosaic: 通过扩散先验增强红外小目标检测的逼真表示

    本研究旨在通过扩充红外数据集及改进数据增强方法，利用扩散先验进行数据增强，从而提高红外目标检测网络性能。

    Jun, 2024

  • 基于少量数据学习的表面缺陷检测人机知识混合增强方法

    本文提出了一种人机知识混合增强方法，用于从头开始积累少量数据，并将其作为先验知识提供给模型进行少数据学习，进而在工业缺陷检测中取得了可行性和有效性的进展。

    Apr, 2023

  • 环境扩散：从损坏的数据中学习干净的分布

    介绍了一种基于扩散的框架，可以使用高度损坏的样本学习未知分布，通过在扩散过程中引入附加的测量损坏，并要求模型从进一步损坏的图像中预测原始损坏的图像，来学习完整未损坏图像的条件期望。

    May, 2023

  • 在空中训练：使用生成数据提高图像分类

    本文介绍了一种名为 “Diffusion Inversion” 的方法，该方法使用预先训练的生成模型 Stable Diffusion，通过将图像倒换到其潜在空间中来捕获原始数据分布并确保数据覆盖，即可生成多样高质量的训练图片，此方法通过三个关键部件成功替换了原始数据集，从而提高了样本复杂度并缩短了采样时间，不仅优于泛化提示导向方法和 KNN 检索基线，还可与常见数据增强技术兼容，提高少样本学习的可靠性。

    May, 2023

  • 从零开始使用基于扩散的数据增强来提升无监督对比学习

    通过扩散步骤，DiffAug 引入了一种新颖且高效的基于扩散的数据增强技术，以确保增强数据和原始数据在光滑的潜在空间中共享，从而通过无需标签、外部数据 / 模型或先前知识的约束来提高图像分类和聚类准确性，可适用于视觉和生物领域。

    Sep, 2023