DISYRE：面向无监督异常检测的扩散启发式合成复原方法

无监督异常检测（UAD）技术旨在不依赖标注的情况下识别和定位异常，仅利用在已知无异常的数据集上训练的模型。扩散模型学习修改输入 $x$ 以提高其属于目标分布的概率，即它们对得分函数 $\nabla_x \log p(x)$ 进行建模。这样的得分函数对 UAD 具有潜在相关性，因为 $\nabla_x \log p(x)$ 本身即为逐像素的异常分数。然而，扩散模型被训练为基于高斯噪声反转一个 corruption 过程，所学得的得分函数不太可能泛化到医学异常。本文探讨如何学习对 UAD 相关的得分函数这一问题，并提出 DISYRE：Diffusion-Inspired SYnthetic REstoration（扩散启发式合成复原）。我们保留类扩散流程，但将高斯噪声 corruption 替换为渐进式的合成异常 corruption，从而使所学得分函数泛化到医学中自然发生的异常。我们在三个常见的脑 MRI UAD 基准上评估 DISYRE，并在三个任务中的两个上大幅优于其他方法。