基于 Nuisance Awareness 的语义异常生成：用于准外分布检测的扩散模型方法
计算机视觉与模式识别
2025-05-21 v2 人工智能
摘要
外分布检测（OOD detection）旨在判断给定样本是否属于内分布（ID）范畴，近期通过训练合成 OOD 数据集取得了令人鼓舞的成绩。然而，现有方法常生成与 ID 样本距离较远的异常样本，难以捕捉 ID 与 OOD 之间的细微差异。为此，我们提出一种新型框架——基于 Nuisance Awareness 的语义异常生成（Semantic Outlier generation via Nuisance Awareness, 简称 SONA），通过扩散模型直接利用像素空间的 ID 样本，以显著生成具有挑战性的异常样本。我们的方法融入 SONA 指导，能够对 ID 样本的语义区域和 Nuisance 区域进行独立控制。从而生成的异常样本具备两个关键特性：(i) 呈现明确的语义差异信息，同时 (ii) 保持与 ID 样本的多样化 Nuisance 相似性。使用 SONA 生成的异常样本进行 OOD 检测器训练，可促使模型专注于语义差异的学习。广泛的实验表明，我们框架的有效性，在近-OOD 数据集上实现了惊人的 88% AUROC 成绩，显著超越基线方法约 6% 的性能提升。
关键词
引用
@article{arxiv.2408.14841,
title = {Diffusion based Semantic Outlier Generation via Nuisance Awareness for Out-of-Distribution Detection},
author = {Suhee Yoon and Sanghyu Yoon and Ye Seul Sim and Sungik Choi and Kyungeun Lee and Hye-Seung Cho and Hankook Lee and Woohyung Lim},
journal= {arXiv preprint arXiv:2408.14841},
year = {2025}
}