DiffGuard:基于语义失配引导并使用预训练扩散模型的分布外检测
计算机视觉与模式识别
2023-08-17 v2 人工智能
机器学习
摘要
给定分类器,语义分布外(OOD)样本的固有属性是其内容在所有合法类别的语义上均不同,即语义失配。近期有一项工作将其直接应用于 OOD 检测,采用条件生成对抗网络(cGAN)在图像空间中放大语义失配。尽管在小型数据集上取得了显著的 OOD 检测性能,但由于难以训练以输入图像和标签为条件的 cGAN,它不适用于 ImageNet 规模的数据集。由于扩散模型比 cGAN 更易训练且能适应多种条件,本工作中我们提出直接使用预训练扩散模型进行语义失配引导的 OOD 检测,称为 DiffGuard。具体而言,给定 OOD 输入图像及分类器的预测标签,我们尝试在这些条件下放大重建的 OOD 图像与原始输入图像之间的语义差异。我们还提出了几种测试时技术以进一步增强此类差异。实验结果表明 DiffGuard 在 Cifar-10 和大规模 ImageNet 的困难案例上均有效,并且可轻松与现有 OOD 检测技术结合以取得最先进的 OOD 检测结果。
引用
@article{arxiv.2308.07687,
title = {DiffGuard: Semantic Mismatch-Guided Out-of-Distribution Detection using Pre-trained Diffusion Models},
author = {Ruiyuan Gao and Chenchen Zhao and Lanqing Hong and Qiang Xu},
journal= {arXiv preprint arXiv:2308.07687},
year = {2023}
}
备注
Accepted by ICCV2023, with supplementary materials