Jun, 2024

CUT：一个可控、通用且无需训练的视觉异常生成框架

PDF
TL;DR通过使用一个能够生成多样化和逼真异常样本的稳定扩散图像生成框架（CUT），我们提出了一种可控、通用且无需训练的视觉异常生成方法。通过在视觉 - 语言异常检测框架（VLAD）中使用 CUT 生成的异常样本进行训练，我们在多个基准异常检测任务上实现了最先进的性能，突显了合成数据所带来的显著改进。
visual anomaly detectionanomalous dataanomaly generationstable diffusionvision-language-based anomaly detection
发现论文，激发创造
  • SaliencyCut：用于开放集细粒度异常检测的概率性异常增强技术

    本文提出了一种基于显著性引导的数据增强方法，SaliencyCut，用于创建伪异常来更好地训练开放式精细异常检测模型，并在包括六个真实世界异常检测数据集在内的各种设置下，证明了该方法比基线和其他最先进的方法更为优越。

    Jun, 2023

  • 一种简单而又难以击败的数据增强方法，用于自然语言理解和生成

    本论文提出了一种简单且有效的数据增广策略 ——“cutoff”，并采用 Jensen-Shannon Divergence 一致性损失将这些增广样本融入到训练目标中，以有效提升人工智能在自然语言理解和生成，机器翻译等领域的表现。cutoff 方法与竞争对手相比表现相当甚至更好，并在 IWSLT2014 German-English 数据集上取得了最优性能。

    Sep, 2020

  • CutPaste: 无监督学习用于异常检测和定位

    该研究旨在构建一个高性能的缺陷检测模型，能够在未有异常数据的情况下检测图像中未知的异常模式。作者提出了一个两阶段框架，使用仅有的正常数据来进行异常检测，第一阶段学习自监督的深度表示，第二阶段建立基于学习表示的生成单类分类器。该方法在 MVTec 异常检测数据集上表现良好，并在学习表示时相较于现有技术提升了 3.1 AUC。作者还通过迁移学习，在 ImageNet 预训练模型基础上实现了 96.6 AUC 的最优表现，并扩展了该框架以从补丁学习和提取表示，无需训练期间标注即可定位损坏区域。

    Apr, 2021

  • ATAC-Net: 缩放视图在异常检测中效果更好

    ATAC-Net 框架利用深度学习在视觉异常检测中应用，从一小部分已知先验异常样本中进行训练，使用注意力引导裁剪提供对疑似区域的更近距离视图，并在可比较的情况下证实其优越性。

    Jun, 2024

  • 多层次显著性引导的自监督学习在图像异常检测中的应用

    本研究提出了一种利用显著性引导来增强语义线索进行图像数据异常检测的方法，并通过交换像素对的位置生成逼真的负样本，以提供高质量特征学习的性能。

    Nov, 2023

  • 一种综合增强的异常检测框架

    该论文分析了对训练重建网络起到贡献的模拟异常的关键特征，并基于这些特征提出了综合框架，结合重建方法和分离训练策略，解决了过拟合问题并避免干扰重建过程，评估结果表明该方法在对象类别方面优于现有方法，并证明其在真实场景下遇到各种意外异常具有良好的潜力。

    Aug, 2023

  • 缺乏标签验证数据下的异常检测器模型选择

    通过合成验证数据的方法，我们提出了一个用于评估基于图像的异常检测器的通用框架，该框架与其他基于真实验证集的方法选择相同的模型和超参数，并在各种实验中表现出最佳的异常检测准确性。

    Oct, 2023

  • HiddenCut: 自然语言理解的简单数据增强方法提升泛化性能

    通过数据增广技术 HiddenCut，可以更好地规范化模型，激励其学习更通用的特征，从而在 GLUE 基准测试上表现出比现有技术更好的表现。

    May, 2021

  • UniControl：一种用于自然环境中可控视觉生成的统一扩散模型

    UniControl 是一种新的可控生成基础模型，集成了多种可控因素，实现了基于任意语言提示的像素级精确图像生成，并通过多任务学习，使其具有适应不同可控条件的能力，实验证明其性能优于其他同类型模型。

    May, 2023

  • 基于模式生成对比网络的非监督工业异常检测

    本文提出一种基于 Vision Transformer 的无监督异常检测网络，利用分层任务学习和人类经验来增强其可解释性，可以有效解决高维空间中非线性模型拟合的问题和纹理变化对算法鲁棒性的挑战，并在公开数据集上取得了 99.8% AUC 的表现，优于现有最先进方法。

    Jul, 2022