合成异常：使用生成式扩散模型进行越野导航的异常检测
机器人学
2025-05-30 v1 计算机视觉与模式识别
机器学习
摘要
为了在越野和非结构化环境中安全可靠地导航，机器人必须检测相对于训练数据处于分布外（OOD）的异常。我们提出了一种基于综合分析的逐像素异常检测方法，不对 OOD 数据的性质做任何假设。给定一张输入图像，我们使用生成式扩散模型合成一张编辑后的图像，该图像在保持其余部分不变的同时移除了异常。然后，我们将异常检测表述为分析哪些图像片段被扩散模型修改的过程。我们提出了一种用于引导扩散的新颖推理方法，通过分析理想引导梯度并推导出一种有原则的近似，利用扩散模型自举来预测引导梯度。我们的编辑技术纯粹是测试时的，可以集成到现有工作流程中，而无需重新训练或微调。最后，我们结合视觉-语言基础模型，在学习特征空间中比较像素并检测语义上有意义的编辑，从而实现越野导航的准确异常检测。项目网站：https://siddancha.github.io/anomalies-by-diffusion-synthesis/
引用
@article{arxiv.2505.22805,
title = {Anomalies by Synthesis: Anomaly Detection using Generative Diffusion Models for Off-Road Navigation},
author = {Siddharth Ancha and Sunshine Jiang and Travis Manderson and Laura Brandt and Yilun Du and Philip R. Osteen and Nicholas Roy},
journal= {arXiv preprint arXiv:2505.22805},
year = {2025}
}
备注
Presented at ICRA 2025