GLAD Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised
1、摘要
本文提出了一种名为GLAD(Global and Local Adaptive Diffusion Models)的全局和局部自适应扩散模型,旨在改进无监督异常检测任务中的图像重构性能。由于传统扩散模型仅使用正常数据进行训练,它们在测试图像上重构正常对应图像时往往会添加一些噪声。然而,这些方法对所有可能的异常都同等对待,这可能导致两个问题:一是从全局视角看,重构不同异常图像的难度不均匀;二是从局部视角看,同一图像中异常区域与正常区域的重构存在差异。
因此,我们建议通过评估图像内容与从扩散模型中提取的先验之间的差异来预测每个样本的特定去噪步骤,而不是对所有样本使用相同的设置。从局部角度来看,即使在同一幅图像中,重建的异常区域与正常区域也是不同的。
理论上,扩散模型预测了每一步的噪声,通常遵循标准高斯分布。然而,由于异常与潜在正态对应的差异,异常区域的预测噪声将不可避免地偏离标准高斯分布。为此,我们提出在训练中引入合成异常样本,鼓励扩散模型突破标准高斯分布的限制,并在推理过程中采用空间自适应特征融合方案。在此基础