掩码、拼接与重采样：基于自动扩散模型增强异常检测的鲁棒性与泛化性
计算机视觉与模式识别
2023-06-01 v1 人工智能
图像与视频处理
摘要
扩散模型在异常检测中的引入为病理图像更高效、更准确的重建铺平了道路。然而，当前在控制噪声粒度方面的局限阻碍了扩散模型在不同异常类型上的泛化能力，并损害了健康组织的恢复。为克服这些挑战，我们提出 AutoDDPM，一种增强扩散模型鲁棒性的新方法。AutoDDPM 利用扩散模型生成潜在异常的初始似然图，并无缝地将其与原始图像整合。通过联合噪声分布重采样，AutoDDPM 实现了协调与修复效果。我们的研究证明了 AutoDDPM 在替换异常区域同时保留健康组织方面的有效性，显著超越了扩散模型的局限。它还针对当前扩散模型的局限性提供了有价值的见解与分析，推动了医学影像中鲁棒且可解释的异常检测——这是构建具有更高可解释性的自主临床决策系统的重要一环。
引用
@article{arxiv.2305.19643,
title = {Mask, Stitch, and Re-Sample: Enhancing Robustness and Generalizability in Anomaly Detection through Automatic Diffusion Models},
author = {Cosmin I. Bercea and Michael Neumayr and Daniel Rueckert and Julia A. Schnabel},
journal= {arXiv preprint arXiv:2305.19643},
year = {2023}
}