AnomalySD：基于稳定扩散模型的少样本多类异常检测
计算机视觉与模式识别
2024-08-06 v1 人工智能
摘要
异常检测是制造业中识别产品劣质部件的关键任务。大多数工业异常检测方法假设存在充足的正常数据用于训练。但由于标注成本或数据隐私政策，这一假设可能不成立。此外，主流方法需要为不同物体训练专属模型，导致高昂成本且缺乏实际应用中的灵活性。为解决这些问题，我们借助稳定扩散（SD）模型的零/少样本 inpainting 能力，将异常区域填补为正常区域。在本文中，我们提出了采用稳定扩散模型的少样本多类异常检测框架，命名为 AnomalySD。为适应 SD 模型处理异常检测任务，我们设计了不同的层次文本描述和前景掩码机制进行微调。在推理阶段，为准确掩码异常区域进行 inpainting，我们提出了多尺度掩码策略和原型引导掩码策略以处理多样化的异常区域。还利用层次文本提示指导 inpainting 过程。基于所有掩码的 inpainting 结果估计异常得分。在 MVTec-AD 和 VisA 数据集上进行大量实验表明，我们的方法具有优势。在多类和一shot 设置下，我们在 MVTec-AD 数据集上实现了 93.6%/94.8% 的 AUROC，在 VisA 数据集上实现了 86.1%/96.5% 的 AUROC。
引用
@article{arxiv.2408.01960,
title = {AnomalySD: Few-Shot Multi-Class Anomaly Detection with Stable Diffusion Model},
author = {Zhenyu Yan and Qingqing Fang and Wenxi Lv and Qinliang Su},
journal= {arXiv preprint arXiv:2408.01960},
year = {2024}
}
备注
8 pages, 4 figures