1、摘要
DiffusionAD的核心在于其双轨制结构——重建子网络采用扩散模型来恢复异常图片至正常状态;而分割子网络则依据原始图片与其恢复版本的差异,进行像素级异常评分预测。尤其引人瞩目的是,该框架采取了一次性去噪方案,相较传统多步骤迭代法,极大地提高了运行效率。
2、创新点
一步去噪模式:摒弃了冗长的迭代过程,直接从噪声分布中抽样出高质量的无异图像。
**规范引导重构:**引入特有规范指导机制,进行两个尺度的扩散和重建,t较小时展示更高的像素质量,保留有细密纹理的细节,但无法重建大缺陷,t较大时引入较大失真,但同时也可以重建较大异常。先进性较大尺度重建,得到正常图像,再用这个正常图像作为条件,去制导小尺度的重建,这样就可以兼容大小异常,又能保证较好的重建质量。
**异常图像生成:**利用柏林噪声和正常图像的mask,得到异常图像mask M,再联合正常图像N,正常样本自增强或者纹理描述数据集图像,得到最终异常图像
3、主要公式
公式(4)是条件引导,公式(5)是图像引导,