超越感知距离：重新思考基于扩散模型的分布外检测的差异评估
计算机视觉与模式识别
2024-11-20 v2 机器学习
摘要
分布外（Out-of-Distribution, OoD）检测旨在判定给定样本是来自受保护分类器的训练分布（即分布内，In-Distribution, InD），还是来自 OoD。近期，扩散模型（Diffusion Models, DMs）被用于 OoD 检测，其利用给定图像与其 DM 生成图像之间的感知距离。基于 DM 的方法为该领域带来了新见解，但仍有待深入探索。本文指出基于 DM 的 OoD 检测方法的两个主要局限性： 给定样本与其生成图像之间差异的感知指标仅在人类感知水平上设计，忽略了有助于更好反映分布内在差异的抽象或高层模式； 仅采用原始图像内容来衡量差异，而其他表示，即来自受保护分类器的特征和概率，虽易于获取却被忽略。为此，我们提出的检测框架超越了感知距离，利用我们相应设计的新颖指标深入考察受保护分类器的深层表示，从而在 InD 和 OoD 之间提供更具信息量的差异评估。该框架集成了异常去除策略，以移除生成图像中的异常 OoD 信息，进一步增强了差异的区分度。大量实验表明，我们的工作在基于 DM 的方法中展现出了最先进的检测性能。
引用
@article{arxiv.2409.10094,
title = {Beyond Perceptual Distances: Rethinking Disparity Assessment for Out-of-Distribution Detection with Diffusion Models},
author = {Kun Fang and Qinghua Tao and Zuopeng Yang and Xiaolin Huang and Jie Yang},
journal= {arXiv preprint arXiv:2409.10094},
year = {2024}
}