Diffusion Model相关论文解析之(三)Unsupervised Visual Defect Detection with Score-Based Generative Model

1、摘要

本文提出了一种基于得分的生成模型，通过迭代去噪的过程将噪声图像恢复为原始图像，并利用得分作为衡量缺陷的指标。此外，还提出了一种T scales方法，有效减少了推断过程的迭代次数，从而加速了模型的训练和推理过程。

2、创新点

1、所提出的方法基于扩散过程，通过正向随机微分方程（SDE）逐渐向原始数据添加噪声，并生成一系列数据。反向过程旨在通过使用梯度驱动的条件概率密度函数的逆向扩散过程，从噪声数据中恢复原始数据。通过最小化损失函数来训练基于评分的生成模型，以学习评分函数，即对数条件概率密度函数的梯度。
2、反向扩散过程可以通过反向SDE或概率流常微分方程（ODE）来实现。
3、定义了两种类型的评分：整体评分和自身评分，用于驱动反向过程和评估数据异常。whole-score 可能指的是对整个图像或数据样本的分数评估。这个分数是基于整个图像的数据分布特性计算得出的，用于衡量整个图像与正常图像分布的一致性。如果整个图像的分数较低，可能表明图像中存在异常区域。
self-score可能更侧重于图像内部各个区域或像素点自身的分数评估。这种分数可能是基于局部特征或像素邻域计算得出的，用于衡量图像中每个局部区域与周围正常区域的相似性。通过比较不同区域的自分数，可以定位出图像中的异常区域。