Jun, 2024

一个用于稳健异常检测的 “先恢复后分类” 的框架

PDF
TL;DR通过分析故障案例，揭示了当前异常检测方法未能实现更高识别准确性的原因，并提出了一种新的 Recover-then-Discriminate (ReDi) 框架，通过自动生成的特征图和选择的提示图像来解决问题，该框架在两个挑战性异常检测数据集上实现了最新的准确性。
anomaly detectionrecognition accuracyfailure casesrecover-then-discriminate (redi) frameworkstate-of-the-art accuracy
发现论文，激发创造
  • 深度异常检测中的假设重新思考

    本研究探讨异常检测在图像领域的深度学习方法，通过在 ImageNet 数据集上与现有深度学习算法和少量随机自然图像进行比较，发现多尺度图像数据的结构特点可以提高异常样本的识别效果。

    May, 2020

  • 基于扩散的多类异常检测框架 DiAD

    基于扩散模型的异常检测中，提出了一种适用于多类异常检测的扩散异常检测（DiAD）框架，包括像素空间自动编码器、与稳定扩散去噪网络相连的潜空间语义引导（SG）网络，以及特征空间预训练特征提取器。通过实验证明了该方法的有效性，并超过了多类 MVTec-AD 数据集上的最先进方法，即对于多类 MVTec-AD 数据集的本地化和检测，达到了 96.8/52.6 和 97.2/99.0（AUROC/AP）。

    Dec, 2023

  • 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

  • 超越熟悉特征的深度异常检测

    使用解释性来捕获输入空间中的新特征作为未解释的观察结果，结合相似性和新颖性的混合方法在各种异常基准上实现了强大的性能，成为多个基准的新的最先进方法，消除了昂贵的背景模型和密集匹配的需求，并对挑战性的基准上的假阴性异常减少了 40%。我们的方法为像素级异常提供可视化的检查解释。

    Oct, 2023

  • 可度量多样性的异常检测

    本文提出了一种名为 DMAD 的新型异常检测框架，该框架采用金字塔变形模块 (PDM) 设计多样化正常情况，并通过信息压缩模块，将变形从原型嵌入中分离，以使最终的异常得分更加可靠。实验证明，DMAD 在监控视频和工业图像中均有很好的效果。

    Mar, 2023

  • ToCoAD: 用于工业异常检测的两阶段对比学习

    该研究论文提出了一种名为 ToCoAD 的两阶段训练策略，通过使用合成异常来训练判别网络，在第二阶段中使用该网络提供负面特征引导，通过自举对比学习来训练特征提取器，从而解决了当前无监督异常检测方法在特定异常类型上的困难，提高了对工业数据集中各种异常类型的泛化能力。大量实验表明，该训练策略的效果显著，该模型在 MVTec AD、VisA 和 BTAD 上的像素级 AUROC 分数分别达到 98.21％、98.43％和 97.70％。

    Jul, 2024

  • 利用条件降噪扩散模型进行异常检测

    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

  • 生成模型和判别模型在异常检测中的连接

    提出了一种新的透视角度，找出了生成模型异常检测中的问题，并建议整合判别模型以解决多峰分布问题，从而提高异常检测方法的性能。

    Nov, 2022

  • MedIAnomaly：医学图像异常检测的比较研究

    该研究论文旨在建立一个统一实施和比较的基准，对医学领域的七个包括胸部 X 射线、脑部磁共振、视网膜底像、皮肤镜像和组织病理全切片图像在内的医学数据集进行广泛评估，并比较了二十七种典型的异常检测方法，首次对现有方法中的关键组件进行了正式探索，明确了未解决的挑战和潜在的未来方向。

    Apr, 2024

  • 从火山到玩具店：自适应区域发现场景识别

    本文提出了一种自适应的辨别区域发现方法 Adi-Red，用于场景识别，其利用预训练的 CNN 分类器直接发现区分性图像区域，避免引入噪声，同时又不会错过重要信息，在场景识别基准数据集 SUN397 上成绩优于现有技术。

    Jul, 2018