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)、&