GLAD: 全局和局部自适应扩散模型以实现更好的无监督异常检测

Jun, 2024

GLAD: 全局和局部自适应扩散模型以实现更好的无监督异常检测

GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection

Hang Yao, Ming Liu, Haolin Wang, Zhicun Yin, Zifei Yan...

TL;DR通过引入合成异常样本和空间自适应特征融合方案，本文提出了一种全局和局部自适应扩散模型（GLAD）用于无监督异常检测，增加了灵活性并实现了无异常的重构，同时保留了尽可能多的正常信息。

Abstract

diffusion models have shown superior performance on unsupervised anomaly detection tasks. Since trained with normal data only, diffusion models tend to reconstruct normal counterparts of test images with certain

diffusion models unsupervised anomaly detection abnormal regions standard gaussian distribution synthetic abnormal samples

发现论文，激发创造

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

探究无监督视频异常检测的扩散模型

本研究探究了扩散模型在不使用数据注释的情况下，用于视频异常检测的性能。实验结果表明，该方法优于现有的生成模型，并且是第一项使用扩散模型并研究其参数影响的研究。

Apr, 2023

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

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

基于条件扩散模型的引导重建用于无监督脑磁共振成像异常检测

通过在扩散模型上引入条件机制，对无监督异常检测中的脑部 MRI 图像重构进行优化，以提高重构质量、域适应性特征和分割性能，并且可在不同 MRI 采集和模拟对比度之间进行领域适应，从而提高脑部 MRI 无监督异常检测的性能和泛化能力。

Dec, 2023

GLAD: 通过人机协同学习实现本地化异常检测

本文提出了一种名为 GLAD 的新型人机协同学习算法，通过神经网络和人工标注反馈，支持全局异常探测器的本地化相关性自动学习和解释，该算法在合成和真实数据上取得了良好的效果。

Oct, 2018

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

对抗去噪扩散模型用于无监督异常检测

本文提出了基于敌对去噪扩散模型（ADDM）的研究。ADDM 基于去噪扩散概率模型（DDPM），并通过敌对学习进行互补训练。实验结果表明，ADDM 在无监督 MRI 图像异常检测上表现优于现有的基于生成模型的无监督异常检测方法。

Dec, 2023

生成和重新加权密集对比模式的无监督异常检测

最近的无监督异常检测方法往往依赖于使用辅助数据集预先训练的特征提取器或经过精心设计的异常模拟样本，然而，这可能限制它们适应日益增多的异常检测任务的能力，因为辅助数据集的选择或异常模拟策略中存在先验条件。为了解决这个挑战，我们首先引入了一个无先验异常生成范式，随后在此基础上开发了一种名为 GRAD 的创新的无监督异常检测框架。GRAD 包括三个关键组成部分：（1）一个扩散模型（PatchDiff），通过保留局部结构而忽略正常图像中存在的全局结构，生成对比模式；（2）一种自监督加权机制来处理 PatchDiff 生成的长尾和无标签对比模式的挑战；（3）一个轻量级的基于补丁的检测器，以有效区分正常模式和重新加权的对比模式。PatchDiff 生成的结果有效地暴露了各种类型的异常模式，例如结构和逻辑异常模式。此外，在 MVTec AD 和 MVTec LOCO 数据集上进行的大量实验证明了前述观察结果，并展示了 GRAD 在异常检测准确性和推理速度方面的竞争力。

Dec, 2023

基于掩码扩散后验取样的无监督异常检测

这项研究提出了一种名为遮蔽扩散后验抽样（MDPS）的新方法，该方法能够数学地重建正常图像并在贝叶斯框架下基于扩散的正常图像先验进行多次扩散后验采样，通过像素级和感知级的度量有效计算每个正常后验采样与给定测试图像之间的差异图，并通过对多个后验采样的所有差异图求平均来获得异常分数，实验证明 MDPS 在正常图像重建质量、异常检测和定位方面能够达到最先进的性能。

Apr, 2024