DefFiller：用于显著钢铁表面缺陷生成的掩码条件扩散模型
计算机视觉与模式识别
2024-12-23 v1
摘要
当前的基于显著性的缺陷检测方法在工业环境中展现出潜力，但钢铁生产环境中缺陷的不可预测性使得数据集创建复杂化，从而阻碍了模型性能。现有的使用生成模型的数据增强方法通常需要像素级标注，这既耗时又消耗大量资源。为了解决这一问题，我们引入了 DefFiller，一种利用布局到图像扩散模型的掩码条件缺陷生成方法。DefFiller 生成与掩码条件配对的缺陷样本，消除了对像素级标注的需求，并可直接用于模型训练。我们还开发了一个评估框架，以评估生成样本的质量及其对检测性能的影响。在 SD-Saliency-900 数据集上的实验结果表明，DefFiller 生成了高质量且与给定掩码条件精确匹配的缺陷图像，显著增强了在增强数据集上训练的基于显著性的缺陷检测模型的性能。
引用
@article{arxiv.2412.15570,
title = {DefFiller: Mask-Conditioned Diffusion for Salient Steel Surface Defect Generation},
author = {Yichun Tai and Zhenzhen Huang and Tao Peng and Zhijiang Zhang},
journal= {arXiv preprint arXiv:2412.15570},
year = {2024}
}
备注
20 pages, 10 figures