DiAD：一种基于扩散的多类别异常检测框架
计算机视觉与模式识别
2023-12-12 v1
摘要
基于重建的方法在异常检测中取得了显著成果。近期流行的扩散模型具有卓越的图像重建能力，这激发了利用它们来增强异常图像重建的研究努力。尽管如此，在更实际的多类别设置中，这些方法可能面临与保留图像类别和像素级结构完整性相关的挑战。为解决上述问题，我们提出了一种用于多类别异常检测的基于扩散的异常检测（DiAD）框架，该框架由一个像素空间自编码器、一个与稳定扩散去噪网络相连的潜空间语义引导（SG）网络以及一个特征空间预训练特征提取器组成。首先，提出 SG 网络用于重建异常区域，同时保留原始图像的语义信息。其次，我们引入空间感知特征融合（SFF）块，以在处理大面积重建区域时最大化重建精度。第三，输入图像和重建图像由预训练的特征提取器处理，以基于在不同尺度上提取的特征生成异常图。在 MVTec-AD 和 VisA 数据集上的实验证明了我们方法的有效性，其超越了最先进的方法，例如，在多类别 MVTec-AD 数据集上，定位和检测的 AUROC/AP 分别达到了 96.8/52.6 和 97.2/99.0。代码将开源在 https://lewandofskee.github.io/projects/diad。
引用
@article{arxiv.2312.06607,
title = {DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection},
author = {Haoyang He and Jiangning Zhang and Hongxu Chen and Xuhai Chen and Zhishan Li and Xu Chen and Yabiao Wang and Chengjie Wang and Lei Xie},
journal= {arXiv preprint arXiv:2312.06607},
year = {2023}
}
备注
Accepted by AAAI 2024