Diffusion Model相关论文解析之(五)Anomaly Detection with Conditioned Denoising Diffusion Models

1、摘要

本文提出了一种基于条件去噪扩散模型的异常检测方法，通过将目标图像作为输入图像来引导去噪过程，实现了与目标图像相似的连贯恢复，从而实现了无缺陷的重建。通过像素级和特征级的比较，定位异常，并引入领域自适应方法来增强特征级比较的效果。在MVTec和VisA数据集上取得了99.8%和98.9%的图像级AUROC，超过了现有方法。

2、创新点

提出的方法是DDAD框架，它涉及一种用于重建的条件去噪过程。该过程旨在逐步去噪扰动图像，以得到与目标图像相似的图像。重建过程涉及将得分函数与目标图像进行条件化，以实现后验得分函数∇xt log pθ(xt|y)。用于异常检测任务的重建涉及将目标图像设置为输入图像，以生成输入图像的无异常近似。通过像素级和特征级距离函数进行异常评分，以得出异常热图。此外，提出了一种领域自适应技术，用于微调特征提取器以适应异常检测任务的特定领域特征。
1、将输入异常图像本身作为条件去引导图像重建过程，以生成输入图像的无异常近似。
2、利用余弦相似度将预训练模型转移到领域自适应网络中。为了解决自适应过程中泛化能力下降的问题，从冻结的特征提取器中引入了蒸馏损失。领域自适应损失由相似性损失和蒸馏损失的组合表示。

3、主要公式

公式（2）、（6）、&