【arXiv 2023】异常检测 | DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection

已于 2024-06-04 09:40:27 修改
阅读量558 收藏 1
点赞数 1
分类专栏： 异常检测 文章标签： 异常检测 深度学习 扩散模型
于 2024-04-17 16:20:58 首次发布
原文链接：https://arxiv.org/pdf/2303.08730v3.pdf
版权
DiffusionAD是一种基于扩散模型的异常检测方法，它通过重构子网络和分割子网络来改善现有方法的局限性。重构子网络利用噪声扰动异常区域并恢复为正常，而分割子网络则通过比较输入图像和重构图像来确定异常分数。论文还提出一步去噪范式，以提高效率。实验证明DiffusionAD在异常检测中表现优越。
摘要由CSDN通过智能技术生成

论文题目：DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection

论文链接：https://arxiv.org/pdf/2303.08730v3.pdf

1. 背景与动机

先前基于生成的异常检测模型被次优的数据重构质量所限制，影响了最终的检测性能。具体来说，基于AE生成方法的局限有：

  1. 异常区域重构的不变性：压缩后的低维表示中仍然保有数据的异常信息，导致重构时仍然会把异常恢复出来；
  2. 正常区域重构的粗糙性；对正常数据恢复程度不足，导致正常样本被误判为异常（假阳性）；

为了改善这一现状，作者提出一种由重构子网络和分割子网络两部分组成的新颖异常检测方法DiffusionAD。

重构子网络利用扩散模型将重构过程

了解本专栏 订阅专栏 解锁全文 超级会员免费看
innerVoi
关注
专栏目录
订阅专栏
Diffusion Model相关论文解析之(四)DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection
m0_37737957的博客
08-20 137
**一步去噪模式**：摒弃了冗长的迭代过程，直接从噪声分布中抽样出高质量的无异图像。 **规范引导重构：**引入特有规范指导机制，进行两个尺度的扩散和重建，t较小时展示更高的像素质量，保留有细密纹理的细节，但无法重建大缺陷，t较大时引入较大失真，但同时也可以重建较大异常。先进性较大尺度重建，得到正常图像，再用这个正常图像作为条件，去制导小尺度的重建，这样就可以兼容大小异常，又能保证较好的重建质量。 **异常图像生成：**利用柏林噪声和正常图像的mask，得到异常图像mask M，再联合正常图像N，正常样本自
异常检测新突破：DiffusionAD —— 规范引导一步去噪扩散模型深度解析
gitblog_00051的博客
06-20 593
异常检测新突破：DiffusionAD —— 规范引导一步去噪扩散模型深度解析 去发现同类优质开源项目:https://gitcode.com/ 在不断发展的计算机视觉领域中，异常检测（Anomaly Detection）作为一项重要任务，正日益受到研究者们的关注。DiffusionAD，一个由张辉等人提出的创新框架，在PyTorch的助力下，为这一领域注入了全新的活力。本文将带您深入了解Dif...
AnoDDPM: Anomaly Detection with Denoising DiffusionProbabilistic Models using Simplex Noise论文学习
weixin_54859023的博客
11-14 3721
AnoDDPM
CVPR 2024 | 图像检测类（目标、deepfake、异常）！AIGC扩散模型diffusion解决detection任务...
idol24的博客
04-08 4268
目标跟踪1、Delving into the Trajectory Long-tail Distribution for Muti-object Tracking多目标跟踪（Multiple Object Tracking，MOT）是计算机视觉领域中一个关键领域，有广泛应用。当前研究主要集中在跟踪算法的开发和后处理技术的改进上。然而，对跟踪数据本身的特性缺乏深入的研究。本研究首次对跟踪数据的分布模...
ICCV 2023 | 8篇论文看扩散模型diffusion用于图像检测任务：动作检测、目标检测、异常检测、deepfake检测...
idol24的博客
02-08 4443
1、动作检测 DiffTAD: Temporal Action Detection with Proposal Denoising Diffusion基于扩散方法提出一种新的时序动作检测（TAD）算法，简称DiffTAD。以随机时序proposals作为输入，可以在未修剪的长视频中准确生成动作proposals。从生成建模的视角，与先前的判别学习方法不同。首先将真实proposals从正向扩散到随...
正常扩散与异常扩散/奇异扩散(Anomalous Diffusion)
weixin_46297571的博客
05-02 4426
正常扩散与奇异扩散 MSD（均方位移） 首先引入均方位移(Mean Squared Displacement)的概念，均方位移定义为:MSD=<∣x(t)−x(0)∣2>=1N∑i=1N∣x(i)(t)−x(i)(0)∣2MSD=<|x(t)-x(0)|^2>=\frac{1}{N}\sum^N_{i=1}|x^{(i)}(t)-x^{(i)}(0)|^2MSD=<∣x(t)−x(0)∣2>=N1​i=1∑N​∣x(i)(t)−x(i)(0)∣2 其中<>&l
【论文分享】★★★ 小样本网络异常检测方法 GDN：Few-shot Network Anomaly Detection via Cross-network Meta-learning
vector的博客
03-29 6211
本文提出了一种新的图神经网络系列：图偏差网络(**GDN**)，它可以利用少量标记的异常来加强网络中异常节点和正常节点之间统计上的显著偏差；为所提出的GDN配置一种新的跨网络元学习算法，通过从多个辅助网络传输元知识来实现少镜头网络异常检测。广泛的评估证明了所提出的方法在少量或甚至一次网络异常检测的有效性。......
CutPaste: Self-Supervised Learning for Anomaly Detection and Localization 全文翻译+详细解读
qq_34809969的博客
07-28 9388
CutPaste: Self-Supervised Learning for Anomaly Detection and Localization 全文翻译+详细解读文章速览 文章速览 论文名：基于自监督学习的图像异常检测和定位方法 网址：[CutPaste网址链接](https://paperswithcode.com/paper/cutpaste-self-supervised-learning-for-anomaly) 作者：Chun-Liang Li*, Kihyuk Sohn*,
【代码分析】图小样本异常检测方法：GDN：Few-shot Network Anomaly Detection via Cross-network Meta-learning
vector的博客
08-04 1124
abnormality valuator 的作用是将嵌入映射为一个标量分数，在代码中没有作为一个单独的模块，而是在调用模型时out_feature设置为1来实现：model = SGC(target_feature.shape[1], 1).to(device)源码中提供的数据是5个网络（4个辅助网络和1个目标网络），下面贴上data.py文件中相关代码的注释，也许可以帮助读者更快理解~代码中关于SGC模型的实现只是一个线性层，这看上去是很不合理的。sample_anomaly函数在run.py中被调用。.
深度学习论文: A Zero-/Few-Shot Anomaly Classification and Segmentation Method for CVPR 2023 VAND Workshop
mingo_敏
08-14 1182
为了解决工业视觉检测中产品类型的广泛多样性，我们构建一个可以快速适应众多类别且不需要或只需要很少的正常参考图像的单一模型，为工业视觉检测提供更加高效的解决方案。提出了针对2023年VAND挑战的零/少样本跟踪的解决方案。1） 在zero-shot任务中，所提解决方案在CLIP模型上加入额外的线形层，使图像特征映射到联合嵌入空间，从而使其能够与文本特征进行比较并生成异anomaly maps。
异常检测模型---DiAD
m0_55434618的博客
04-16 504
基于生成的异常检测模型。
DiffusionAD代码运行纪实
高恩阳的博客
03-06 886
【代码】DiffusionAD代码运行纪实。
CVPR2024 合成异常数据 工业异常检测 RealNet
黎国溥
05-31 3218
本文分享一个基于扩散模型的异常检测框架，用于检测工业场景的缺陷检测或异常检测。强度可控扩散异常合成：基于扩散过程的合成策略，能够生成不同强度的异常样本，模仿真实异常样本的分布。异常感知特征选择：选择代表性和判别性的预训练特征子集，以提高异常检测性能并控制计算成本。重建残差选择：自适应选择判别性残差，用于全面识别各级异常区域。强度可控扩散异常合成，简称为SDAS，生成的异常图像，如下图所示。这些异常图像，都是基于正常图像生成的。
基于Diffusion Model相关的异常检测文章
2301_78829506的博客
07-13 1190
基于Diffusion Model相关的异常检测文章
【论文合集】Awesome Anomaly Detection
m0_61899108的博客
03-29 4078
Anomaly Detection: The process of detectingdata instances that significantly deviate from the majority of the whole dataset.
AAAI 2024 | 腾讯优图实验室27篇论文入选！异常检测、多模态、医学图像分割等方向...
阿木寺的博客
12-28 3099
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—>【视觉和Transformer】微信交流群扫码加入CVer学术星球，可以获得最新顶会/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！发论文搞科研，强烈推荐！转载自：腾讯优图实验室AAAI 2024 (AAAI Conference on Artificial Intelligence)人工智...
缺陷检测文献
轻舟已过万重山
09-02 7939
缺陷检测文献阅读
（自用）DiAD（Diffusion-based Anomaly Detection）
最新发布
Sylvia_7102的博客
06-26 2234
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。
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