异常检测模型---DiAD

最新推荐文章于 2025-02-17 22:05:48 发布
最新推荐文章于 2025-02-17 22:05:48 发布
阅读量827 收藏 5
点赞数 5
文章标签： 人工智能 python
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_55434618/article/details/137844805
版权

DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection

基于生成的异常检测模型

文章目录

主要内容

作者提出了一个基于扩散的多类异常检测框架(DiAD)。
该框架主要由像素空间自编码器、与稳定扩散去噪网络连接的潜在空间语义引导(SG)网络，以及特征空间预训练特征提取器组成。
在这里插入图片描述
首先，SG网络被提出用于在保留原始图像的语义信息的同时重建异常区域。其次，引入了空间感知特征融合(SFF)块，以在处理大量重建区域时最大化重建精度。最后，输入和重建的图像通过预训练的特征提取器进行处理，以生成基于不同尺度提取的特征的异常图。
网络框架：
在这里插入图片描述
重建效果
在这里插入图片描述

DiAD代码

官方代码：
https://github.com/lewandofskee/DiAD/tree/main

跑官方代码跑出了一

最低0.47元/天 解锁文章
SecKF
关注
Diffusion Model相关论文解析之(十)DiAD A Diffusion-based Framework for Multi-class Anomaly Detection
m0_37737957的博客
07-15 686
语义引导网络（SG网络）： 提出了SG网络，用于在保留原始图像语义信息的同时重建异常区域。该网络通过引入语义引导机制，解决了现有扩散模型（如LDM）在多类别异常检测中的语义信息丢失问题。 空间感知特征融合块（SFF块）： 引入了SFF块，以在处理大量重建区域时最大限度地提高重建精度。SFF块通过整合不同尺度的特征，实现了对原始正常样本信息的保留和大规模异常区域的重建。 多尺度特征提取与异常评分： 使用预训练的特征提取器对输入图像和重建图像进行处理，根据不同尺度提取的特征生成异常图。通过计算重建图像和输入图像
AI大语言模型的异常检测
AI天才研究院
03-02 439
1. 背景介绍 1.1 AI大语言模型的崛起 近年来，随着深度学习技术的快速发展，人工智能领域涌现出了许多大型预训练语言模型，如GPT-3、BERT、T5等。这些模型在自然语言处理任务上取得了显著的成果，如机器翻译、文本摘要、问答系统等。然而，随着模型规模的增大，异常检测问题逐渐凸显，如生成的文
（自用）DiAD（Diffusion-based Anomaly Detection）
Sylvia_7102的博客
06-26 2532
以下很多内容出自这个大佬，我只是想按我自己的理解整合一下。自用整理保存，转载商用请联系原博主！AAAI2024 基于扩散模型 多类别 工业异常检测 DiAD_diad reconstruction-CSDN博客提出了一种基于扩散模型的多类别异常检测框架DiAD（Diffusion-based Anomaly Detection）。其核心方法旨在解决在复杂多类别环境中，异常检测时如何保持图像类别和像素级结构完整性的挑战。
ICLR 2025 | 多模态大模型能否胜任工业异常检测？MMAD基准揭示真相
最新发布
Paper weekly
02-17 816
本文由南方科技大学、腾讯优图实验室、阿尔伯塔大学、上海交通大学合作完成，已被 ICLR 2025 会议接收。完整论文、数据和代码均已开源。论文标题：MMAD: The First-Ever Comprehensive Benchmark for Multimodal Large Language Models in Industrial Anomaly Detection论文地址：https://...
AAAI2024 基于扩散模型 多类别 工业异常检测 DiAD
黎国溥
05-28 4791
本文分享一个基于扩散模型的多类别异常检测框架，用于检测工业场景的缺陷检测或异常检测。设计SG语义引导网络，在重建过程中有效保持输入图像的语义信息，解决了LDM在多类别异常检测中的语义信息丢失问题。高效重建，通过在潜在空间中进行扩散和去噪操作，增强了模型在处理复杂结构和大规模缺陷时的重建能力。同时分析基础扩散模型DDPM和LDM，对比设计原理和效果。
【2023工业图像异常检测文献】DiAD: 基于扩散模型的多类异常检测方法
qq_1532145264的博客
10-30 1204
DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection
DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection
haodouxiansheng的博客
12-13 613
论文提出了一种名为DiAD的基于扩散模型的多类异常检测框架。该框架旨在解决当前扩散模型在多类异常检测中面临的挑战，特别是在保持图像类别和像素级结构完整性方面。
AAAI 2024 | 浙大&优图提出DiAD：第一个基于扩散模型的多类异常检测工作
阿木寺的博客
12-13 1986
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>【异常检测和扩散模型】微信交流群扫码加入CVer知识星球，可以最快学习到最新顶会顶刊上的论文idea和CV从入门到精通资料，以及最前沿项目和应用！发论文，强烈推荐！在CVer微信公众号后台回复：DiAD，即可下载论文pdf和代码链接！快学起来！DiAD：第一个基于扩散模型架构的多类异常检测工作（来自浙大，腾讯优图...
DiAD A Diffusion-based
06-18
DiAD 是一种创新的基于扩散模型的方法，用于解决多类别异常检测问题。通过对现有技术的改进，DiAD 在保留语义信息的同时提高了重建精度，从而实现了更高的检测准确率。未来的研究可以探索更多数据集上的应用，以及...
阅读 ADiffusion-Based Framework for Multi-Class Anomaly Detection
weixin_37707670的博客
11-22 1044
基于重建的方法在异常检测方面取得了显著成果。最近流行的扩散模型的卓越图像重建能力引发了研究努力，以利用它们来增强异常图像的重建。问题）尽管如此，这些方法可能会面临与更实际的多类设置中图像类别和像素结构完整性的保存相关的挑战。为了解决上述问题，我们提出了一种基于扩散的异常检测Difusion-based Anomaly Detection (DiAD) 框架，用于多类异常检测，该框架由像素空间自动编码器、与稳定扩散去噪网络连接的潜在空间语义引导 (SG) 网络和特征空间预训练特征提取器组成。
工业异常检测大模型来了！哈工大提出Myriad：利用视觉专家进行工业异常检测的大型多模态模型
阿木寺的博客
11-21 8622
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>【异常检测和缺陷检测】微信交流群在CVer微信公众号后台回复：Myriad，可以下载本论文pdf，学起来！一句话总结通过应用视觉专家进行工业异常检测，以实现明确的异常检测和高质量的异常描述，还可进行多轮对话，性能表现出色！优于AnomalyGPT等网络，代码即将开源！MyriadMyriad: Large Mul...
【工业机器人】工业异常检测大模型AnomalyGPT
DFminer
08-17 2229
AnomalyGPT是一种基于大视觉语言模型（LVLM）的新型工业异常检测（IAD）方法。它利用LVLM的能力来理解和处理图像，从而实现高精度和高效率的工业异常检测。
大模型在异常检测中的创新应用
AI天才研究院
12-31 1877
大模型在异常检测中的创新应用 随着大数据和人工智能技术的不断发展，异常检测（Anomaly Detection）在众多领域（如金融、医疗、网络安全等）中的应用价值日益凸显。异常检测旨在从大量数据中识别出不符合正常行为或预期的模式，从而为企业和组织提供及时的预警和应对措施。本文将深入探讨大模型（Large Models）在异常检测中的创
迈向通用异常检测和理解：大规模视觉语言模型（GPT-4V）率先推出
ResumeProject的博客
12-31 2907
异常检测是跨不同域和数据类型的关键任务。但是，现有的异常检测模型通常是针对特定域和模式设计的。本研究探讨了如何使用强大的视觉语言模型 GPT-4V（ision） 以通用方式处理异常检测任务。我们研究了 GPT-4V 在多模态、多域异常检测任务中的应用，包括图像、视频、点云和时间序列数据，涉及多个应用领域，例如工业、医疗、逻辑、视频、3D 异常检测和定位任务。为了提高 GPT-4V 的性能，我们结合了不同类型的附加提示，例如类信息、人类专业知识和参考图像作为提示。
AnomalyGPT——使用大型视觉语言模型进行工业异常检测的算法解析与应用
知来者逆的博客
04-30 8221
本文提出了一种基于大型视觉语言模型的工业异常检测方法AnomalyGPT。该方法通过模拟异常图像并生成相应的文本描述来生成训练数据，并使用图像解码器提供细粒度语义。AnomalyGPT消除了手动阈值调整的需要，直接评估异常的存在和位置。此外，AnomalyGPT支持多轮对话，并展现了令人印象深刻的少样本上下文学习能力。在MVTec-AD数据集上，AnomalyGPT实现了86.1％的准确率，94.1％的图像级AUC和95.3％的像素级AUC的最新性能。IAD任务旨在检测和定位异常。
异常检测模型整理
热门推荐
小太阳~
08-01 1万+
写在前面 文中使用了其他博主的图，具体链接已不好追踪，如果不妥，还请谅解（私信我加备注哦）~ 异常检测主要检测数据中的离群点，异常数据的特征值与正常数据的特征值距离较远。 异常检测具有以下难点： 标签数据较少，从较少的标签数据中很难学习到哪些是正常数据，哪些是异常数据。 难以划分异常和正常的边界。 数据本身存在噪声，导致噪声和异常难以区分。 处理异常检测的模型包括监督模型、半监督学习和无监督学习模型，具体如下： 一、监督模型 常见分类模型都可使用。若有标签数据，则优先使用有监督学习方法解决问题。在基于监
基于大模型的电商智能异常检测系统设计
AI天才研究院
03-30 821
基于大模型的电商智能异常检测系统设计 作者：禅与计算机程序设计艺术 1. 背景介绍 电子商务行业近年来飞速发展,各类交易行为日益复杂多样,如何及时准确地发现和处理交易异常已成为电商平台运营的关键所在。传统的异常检测方法往往依赖于人工设置规则和阈值,效率低下且无法应对不断变
异常检测系列：高斯混合模型（GMM）
数智笔记
01-25 2993
假设数据点分为四个组，如图（A.1）所示。有两种或更多种解释数据的方式。图（A.1）是K-means的方式。它假设有固定数量的簇，本例中为四个簇。然后将每个数据点分配给一个簇。图（A.2）是GMM的方式。它假设有固定数量的具有不同均值和标准差的高斯分布。在我们的例子中，它假设有四个分布。我将图（A.1）和图（A.2）垂直对齐，以比较GMM和K-means。GMM用四个分布的概率描述一个数据点，而K-means将一个数据点识别为一个且仅一个簇。假设一个数据点在最左端。
工业异常检测
moonlightpeng的博客
04-28 2351
论文指出，在实际应用中，异常数据往往呈现出多样化的分布，而传统的异常检测方法通常假设异常数据来自同一分布，这限制了其在实际场景中的有效性。论文指出，传统的知识蒸馏方法在处理异常检测任务时存在局限性，而反向蒸馏通过改变蒸馏的方向和机制，为异常检测提供了新的解决方案。这种方法的优势在于，它克服了传统异常检测方法需要大量标注异常样本的局限性，使得在异常样本稀缺的情况下也能进行有效的异常检测。简述：论文提出了基于集合特征的细粒度异常检测方法，通过提取样本集合中的关键特征，实现对细微异常的精准识别和定位。
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