Diffusion Model相关论文解析之(六)Unsupervised Surface Anomaly Detection with Diffusion Probabilistic Model

已于 2024-08-24 11:56:51 修改
阅读量19 收藏
点赞数
分类专栏： Diffusion论文解读 文章标签： diffusion python pytorch 深度学习
于 2024-08-21 17:01:20 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_37737957/article/details/141392369
版权

目录

1、摘要

本研究提出了一种基于扩散概率模型的无监督表面异常检测方法 DiffAD，通过改进图像重建技术解决了当前方法的重建质量不足、神经网络异常重建和多重正常模式的问题，在MVTec数据集上取得了最先进的性能表现，特别是在异常定位准确性方面。

2、创新点

1）DiffAD引入了噪声条件嵌入和插值通道，以提高异常检测中的重建质量和多样性。
2）噪声条件嵌入通过噪声扩散潜在表示，区分正常和异常区域，提高重建质量。
3）插值通道生成额外特征通道，增强重建期间的多样性。

3、主要公式

公式（1）：The latent diffusion model (LDM)训练目标函数
公式（2）和（3）：先生成一个异常样本，编码成潜在向量，再扩散时间步t对应的Cnoisy(带有噪声的条件向量)

公式（4）：引入了噪声条件嵌入的The latent diffusion model (LDM)训练目标函数
公式（5）：我们将异常输入图像xa和LDM重构的法向量编码后的潜在向量c和zr内插，得到中间状态。重建图像与原始图像之间的正常像素

了解本专栏 订阅专栏 解锁全文 超级会员免费看
mm_exploration
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
订阅专栏
Diffusion Model相关论文整理(三)
m0_37737957的博客
08-22 112
1、TransFusion 2、LafitE 3、DiAD 4、D3AD 5、GLAD
《MedSegDiff Medical Image Segmentation with Diffusion Probabilistic Model》论文阅读理解
weixin_43749999的博客
05-03 964
1. 提出了基于DPM的通用医学图像分割模型； 2. 对于步进式注意力机制，提出了动态条件编码策略； 3. 为了消除高频的高斯噪声的影响，提出了FF-Parser特征频率解析器； 4. 文中提出的方法在三种不同图像形态的医学分割任务中的表现SOTA；
Diffusion Model相关论文整理(二)
m0_37737957的博客
08-20 624
1、AnoDDPM 2、Unsupervised Visual Defect Detection with Score-Based Generative Model 3、DiffusionAD 4、Anomaly Detection with Conditioned Denoising Diffusion Models 5、Unsupervised Surface Anomaly Detection with Diffusion Probabilistic Model
ICCV 2023 | 最全AIGC梳理，5w字30个diffusion扩散模型方向，近百篇论文！
idol24的博客
02-26 1384
30个方向130篇！CVPR 2023最全AIGC论文25个方向！CVPR 2022 GAN论文汇总35个方向！ICCV 2021 最全GAN论文汇总超110篇！CVPR 2021 最全GAN论文梳理超100篇！CVPR 2020 最全GAN论文梳理在最新的视觉顶会ICCV 2023会议中，涌现出大量基于生成式AIGC的CV论文，尤其是扩散模型diffusion为代表！除直接生成，还广泛应...
AAAI 2022 论文列表
热门推荐
gbstack08的专栏
02-15 2万+
链接及代码之后会更新 GitHub链接：https://github.com/gbstack/AAAI-2022-papers Scaled ReLU Matters for Training Vision Transformers Pichao Wang, Xue Wang, Hao Luo, Jingkai Zhou, Zhipeng Zhou, Fan Wang, Hao Li, Rong Jin Search Strategies for Topological Network Optimizat
（二十八：2021.01.10）MICCAI 2019 追踪之论文纲要（中）
Jojo论文基地
01-09 3251
讲在前面 暂时先更新PART I, 持续更新。 论文目录 PART I Optical Imaging（光学影像） 概要 1.Enhancing OCT Signal by Fusion of GANs: Improving Statistical Power of Glaucoma Clinical Trials通过GAN融合增强OCT信号：提高青光眼临床试验的统计能力 2.A Deep Reinforcement Learning Framework for Frame-by-Fr
python12 中，No module named‘distutils‘错误
qq_43557600的博客
08-27 3441
python12 “ No module named'distutils' ”,​ 安装 pip install setuptools ，解决 ​
centos7 安装 superset4.0.2 教程
m0_37759590的博客
08-27 3886
centos7 安装 superset4.0.2 教程
【python计算机视觉编程——1.基本的图像操作和处理】
m0_53694086的博客
08-26 5267
参数sigma为标准差（σ），是高斯滤波器的一个重要参数，它控制滤波器的平滑程度。标准差越大，高斯函数的曲线越宽，滤波器的影响范围就越大。标准差较大: 高斯滤波器会在更大范围内进行平滑，使得图像变得更加模糊，细节和边缘特征会被更强地平滑掉。标准差较小: 高斯滤波器会产生较小范围的平滑效果，图像的细节保留更多。还可以给定转换矩阵，将RGB图像转换为CIE XYZ色彩空间。图像像素值被分成128个区间，用于计算每个区间的像素值频率。可以返回目录中所有jpg图像的列表。
Python优化算法09——黏菌优化算法(SMA)
weixin_46277779的博客
08-24 2963
python黏菌优化算法代码和使用
【python】关于判断空值None、判断len()=0，和 if not 的区别
最新发布
Meggie35的博客
08-28 564
python的“空”与“无”之辩，关于None，和空数值。在程序中，判断里面没有值和判断东西是不是为空，也是不一样的东西，我们可以往下看看具体的区别。
python实现循环神经网络
weixin_45570158的博客
08-25 156
为了提供一个基础的循环神经网络（RNN）示例，我们可以使用TensorFlow和Keras，这是构建和训练神经网络常用的两个库。以下是一个简单的RNN实现，用于处理序列数据（如时间序列数据或文本数据）。在这个例子中，我们将使用一个简化的任务：模拟字符级别的文本生成。
均值漂移算法原理及Python实践
u013571432的博客
08-25 1144
均值漂移算法（Mean Shift Algorithm）是一种基于密度的非参数聚类算法，其原理主要基于核密度估计和梯度上升方法。
安装CUDA的常见错误：cuda_install_131.log
weixin_53028400的博客
08-23 887
安装CUDA的常见错误：cuda_install_131.log解决
odoo SyntaxWarning: invalid escape sequence ‘\w‘
fqfq123456的专栏
08-25 791
‌如果你在处理正则表达式，‌通常使用原始字符串更为方便，‌因为正则表达式中经常使用反斜杠，‌而原始字符串可以避免很多转义相关的问题。函数（‌或任何类似的自定义警告处理函数）‌会在你的代码或你使用的库中遇到需要警告用户的情况时被调用。‌：‌如果代码中存在可能导致错误或意外行为的潜在问题，‌开发者可能会使用警告来提醒用户注意。‌：‌在处理可能涉及安全风险的操作时，‌软件可能会使用警告来提醒用户注意潜在的安全问题。‌：‌当代码使用了即将被弃用或已经弃用的功能时，‌库可能会调用警告函数来通知用户。
宝塔面板网站SSL证书到期如何手动和自动续签Let’s Encrypt
weixin_45734165的博客
08-27 248
宝塔面板提供2种免费的SSL证书：宝塔SSL，Let’s Encrypt。前面第1，2步骤主要是手动续签，比较稳定可靠，唯一的缺点是需要进入后台进行操作，并且有时候可能忘记续签。实际上宝塔面板还提供了很多计划任务的脚本，可以自动续签Let’s Encrypt证书。不管是给网站部署SSL还是给网站SSL续签，利用宝塔后台来进行网站SSL证书的管理还是比较方便高效的。2.手动续签：网站设置后台点击【SSL】》【Let’s Encrypt】》【续签】1.手动续签：登录宝塔面板后台，点击【网站】》【设置】
JavaScript 错误 - Throw 和 Try to Catch的使用
逆风优雅的博客
08-23 687
trycatchthrow上面的代码 因为 try中 没有adddlert这个方法，或者这个方法有误，这时，代码会执行catch部分。JavaScript 实际上会创建带有两个属性的Error 对象name和message。
python json jsonl 的用法
大多_C的博客
08-28 390
JSONL格式是一种非常实用的数据存储格式，特别适合处理大型、结构化的数据集。逐行读取：有效处理大文件，节省内存。简便性：每一行都是独立的JSON对象，便于解析和处理。灵活性：可以很容易地将数据追加到已有文件中。通过上述方法，您可以轻松地在Python中读取、写入和处理JSONL格式的数据。
使用diffusion probabilistic model 生成时间序列的python代码
08-21
### 回答1： Diffusion Probabilistic Model是一种基于随机漫步的时间序列生成方法。以下是使用Python实现Diffusion Probabilistic Model的代码示例： ```python import numpy as np import matplotlib.pyplot as plt # 模拟参数 T = 1000 alpha = 0.05 sigma = 0.1 # 生成模拟数据 x = np.zeros(T) x[0] = np.random.normal(0, 1) for t in range(1, T): x[t] = x[t-1] + alpha * np.random.normal(0, 1) + sigma * np.random.normal(0, 1) # 绘制时间序列 plt.plot(x) plt.title("Diffusion Probabilistic Model") plt.xlabel("Time") plt.ylabel("Value") plt.show() ``` 上述代码首先定义了模拟参数T、alpha和sigma。其中T为生成时间序列的长度，alpha为漂移系数，sigma为扩散系数。然后使用numpy库生成了长度为T的空序列x，并将第一个值初始化为标准正态分布的随机数。 接下来使用for循环迭代生成剩余的T-1个数据。每次生成的新值x[t]，都是由前一个值x[t-1]加上随机漂移和随机扩散得到的。 最后使用matplotlib库绘制生成的时间序列。运行代码后，即可得到Diffusion Probabilistic Model生成的时间序列的可视化图形。 ### 回答2： diffusion probabilistic model是一种基于随机扩散过程的时间序列模型。它可以用于模拟具有随机波动的数据。下面是一个使用Python生成时间序列的diffusion probabilistic model的代码示例： ```python import numpy as np import matplotlib.pyplot as plt def diffusion_probabilistic_model(num_steps, initial_value, diffusion_coefficient): # 创建一个空数组来存储时间序列 time_series = np.zeros(num_steps) time_series[0] = initial_value # 根据扩散过程生成时间序列 for t in range(1, num_steps): delta = np.random.normal(0, 1) * np.sqrt(diffusion_coefficient) time_series[t] = time_series[t-1] + delta return time_series # 输入参数 num_steps = 100 # 时间步数 initial_value = 0 # 初始值 diffusion_coefficient = 0.1 # 扩散系数 # 生成时间序列 time_series = diffusion_probabilistic_model(num_steps, initial_value, diffusion_coefficient) # 绘制时间序列图 plt.plot(time_series) plt.xlabel('Time') plt.ylabel('Value') plt.title('Diffusion Probabilistic Model') plt.show() ``` 在上面的代码中，我们定义了一个名为`diffusion_probabilistic_model`的函数，该函数接受三个参数：时间步数`num_steps`、初始值`initial_value`和扩散系数`diffusion_coefficient`。函数内部通过随机生成服从正态分布的增量来模拟时间序列的扩散过程。 然后，我们定义了输入参数的值，并调用`diffusion_probabilistic_model`函数生成时间序列。最后，使用Matplotlib库绘制了生成的时间序列图。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值