ReplayCAD：用于持续异常检测的生成式扩散回放
计算机视觉与模式识别
2025-05-13 v1
摘要
持续异常检测（CAD）使异常检测模型能够在学习新类同时保留历史类的知识。CAD 面临两个关键挑战：灾难性遗忘和小异常区域的分割。现有 CAD 方法通过存储图像分布或补丁特征来缓解灾难性遗忘，但它们无法保留像素级的详细特征以实现精确分割。为克服这一限制，我们提出了 ReplayCAD，一种新的基于扩散模型的生成式回放框架，通过回放高质量的历史数据有效地保留像素级的详细特征。具体而言，我们通过在预训练扩散模型的条件空间中搜索类语义嵌入来压缩历史数据，该嵌入可引导模型以细粒度像素细节回放数据，从而提高分割性能。然而，仅依赖语义特征会导致空间多样性有限。因此，我们进一步使用空间特征来指导数据压缩，实现对样本空间的精确控制，从而生成更具多样性的数据。我们的方法在分类和分割任务上均实现了最先进的性能，尤其在分割方面：在 VisA 上提升了 11.5%，在 MVTec 上提升了 8.1%。我们的源代码已公开：https://github.com/HULEI7/ReplayCAD。
引用
@article{arxiv.2505.06603,
title = {ReplayCAD: Generative Diffusion Replay for Continual Anomaly Detection},
author = {Lei Hu and Zhiyong Gan and Ling Deng and Jinglin Liang and Lingyu Liang and Shuangping Huang and Tianshui Chen},
journal= {arXiv preprint arXiv:2505.06603},
year = {2025}
}
备注
Accepted by IJCAI 2025