DDPM-MoCo: 基于生成式和对比学习的工业表面缺陷生成与检测
计算机视觉与模式识别
2024-07-08 v1 人工智能
摘要
基于深度学习的工业检测任务常涉及两个问题：（1）获取足够且有效的数据样本，（2）使用高效便捷的模型训练方法。本文引入一种新型缺陷生成方法，称为 DDPM-MoCo，以解决上述问题。首先，我们利用去噪扩散概率模型（DDPM）生成高质量的缺陷数据样本，克服模型学习数据不足的问题。此外，我们利用增强批量对比损失函数的无监督学习动量对比模型（MoCo）用于在无标签数据上训练模型，以解决扩散模型训练中大规模负样本编码的效率和一致性挑战。实验结果展示了一种增强的视觉检测方法，用于识别金属表面的缺陷，涵盖整个过程：从为训练扩散模型生成无标签样本数据，到利用相同标记样本数据进行下游检测任务。该研究为金属加工行业的视觉检测提供了宝贵的实践见解和应用潜力。
引用
@article{arxiv.2407.03332,
title = {DDPM-MoCo: Advancing Industrial Surface Defect Generation and Detection with Generative and Contrastive Learning},
author = {Yangfan He and Xinyan Wang and Tianyu Shi},
journal= {arXiv preprint arXiv:2407.03332},
year = {2024}
}