基于扩散模型的对抗鲁棒工业异常检测
机器学习
2024-08-12 v1 计算机视觉与模式识别
摘要
基于深度学习的工业异常检测模型在常用基准数据集上取得了显著高的准确率。然而，由于对抗样本的存在，这些模型的鲁棒性可能不够令人满意，这对深度异常检测器的实际部署构成了重大威胁。最近，研究表明扩散模型可用于净化对抗噪声，从而构建对抗攻击的鲁棒分类器。不幸的是，我们发现将这一策略朴素地应用于异常检测（即在异常检测器之前放置一个净化器）将遭受高异常遗漏率，因为净化过程很容易同时去除异常信号和对抗扰动，导致后续的异常检测器无法检测到异常。为解决这一问题，我们探索了同时进行异常检测和对抗净化的可能性。我们提出了一种简单而有效的对抗鲁棒异常检测方法AdvRAD，该方法允许扩散模型同时充当异常检测器和对抗净化器。我们还将所提出的方法扩展至l2范数有界扰动的认证鲁棒性。通过广泛的实验，我们表明所提出的方法在展现卓越的（认证的）对抗鲁棒性的同时，在工业异常检测基准数据集上也保持了与最先进方法相当的强大异常检测性能。
引用
@article{arxiv.2408.04839,
title = {Adversarially Robust Industrial Anomaly Detection Through Diffusion Model},
author = {Yuanpu Cao and Lu Lin and Jinghui Chen},
journal= {arXiv preprint arXiv:2408.04839},
year = {2024}
}