BOOD: 基于边界的异常分布数据生成
机器学习
2025-11-25 v1 计算机视觉与模式识别
摘要
利用扩散模型基于潜空间特征合成辅助训练数据的做法已被证明有效，能够提高异常分布(OD)检测性能。然而，由于难以识别类别之间决策边界，提取潜空间中超出分布内(ID)边界的有效特征仍具挑战性。本文提出一种新框架，称为基于边界的异常分布数据生成(BOOD)，其合成高质量的异常分布特征并利用扩散模型生成人类可理解的异常图像。BOOD首先从ID数据集中学习文本条件化的潜空间特征，挑选距离决策边界最近的ID特征，然后对其进行扰动以跨越决策边界形成异常分布特征。这些合成的异常分布特征随后通过扩散模型解码到像素空间中生成图像。与先前工作相比，BOOD为合成有信息的异常分布特征提供了更高效的训练策略，便于更清晰地区分ID和OD数据。大量实验结果表明，BOOD在常见基准数据集上显著优于最新方法，在CIFAR-100数据集上平均FPR95降低29.64%(从40.31%降至10.67%)，平均AUROC提升7.27%(从90.15%提升至97.42%)。
引用
@article{arxiv.2508.00350,
title = {BOOD: Boundary-based Out-Of-Distribution Data Generation},
author = {Qilin Liao and Shuo Yang and Bo Zhao and Ping Luo and Hengshuang Zhao},
journal= {arXiv preprint arXiv:2508.00350},
year = {2025}
}
备注
14 pages, 8 figures, To be published in the Proceedings of the International Conference on Machine Learning (ICML) 2025