一种通过带在线自适应的混合潜在扩散模型进行工业缺陷生成的新方法
计算机视觉与模式识别
2024-03-27 v2 多媒体
摘要
有效应对工业异常检测（AD）的挑战需要充足的缺陷样本供应，而工业环境中缺陷样本的稀缺性常常制约这一点。本文介绍了一种新颖的算法，旨在扩充缺陷样本，从而提升 AD 性能。所提出的方法针对缺陷样本生成定制了混合潜在扩散模型，利用扩散模型在潜在空间中生成缺陷样本。一个由“trimap”掩码和文本提示控制的特征编辑过程对生成的样本进行精炼。图像生成推理过程被构建为三个阶段：自由扩散阶段、编辑扩散阶段和在线解码器自适应阶段。这种复杂的推理策略产生了具有多样化模式变化的高质量合成缺陷样本，基于扩充后的训练集显著提高了 AD 准确率。具体来说，在广泛认可的 MVTec AD 数据集上，所提出的方法将使用扩充数据的 AD 性能在指标 AP、IAP 和 IAP90 上分别提升了 1.5%、1.9% 和 3.1%，达到了最新的最优性能（SOTA）。本工作的实现代码可在 GitHub 仓库 https://github.com/GrandpaXun242/AdaBLDM.git 中找到。
引用
@article{arxiv.2402.19330,
title = {A Novel Approach to Industrial Defect Generation through Blended Latent Diffusion Model with Online Adaptation},
author = {Hanxi Li and Zhengxun Zhang and Hao Chen and Lin Wu and Bo Li and Deyin Liu and Mingwen Wang},
journal= {arXiv preprint arXiv:2402.19330},
year = {2024}
}
备注
13 pages,7 figures