.png){kind=icon}
返回
A defect detection method based on feature reconstruction using diffusion models
.png){kind=icon}
PRE
AI
DOI：10.1007/s11760-025-05037-z.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，基于重建的缺陷检测方法取得了显著性能提升，但其有效性高度依赖于重建图像的质量。许多方法难以同时保留宏观结构和精细细节，可能导致结构错误，或即使整体结构正确仍出现模糊/失真细节。本文提出一种基于特征重建的缺陷检测方法，采用潜扩散模型（LDM）作为稳健的重建基准。该方法还整合了一个双分支特征引导网络，通过跨层特征融合和级联浅层表示灵活集成注意力层特征，将全频图像信息嵌入反向扩散过程以生成高保真重建图像。随后基于输入图像与重建图像的多尺度特征差异生成异常检测图。我们在MVTec-AD和Visa数据集上评估了该方法，图像级AUROC/F1分别达到97.0%/96.3%和87.4%/85.2%，像素级AUROC/F1分别为96.7%/56.5%和95.8%/34.1%，PRO为89.6%和75.9%。在自建的黄豆和红枣数据集上的测试结果为：图像级AUROC/F1分别为100%/99.8%和93.0%/90.5%，像素级AUROC/F1分别为95.5%/41.5%和92.6%/30.0%。实验结果表明，该方法实现了优异的检测精度和鲁棒性，在缺陷检测任务中展现出广泛的适用性和工程实用价值。
Keyword:
Defect detection
Latent diffusion model
Feature guidance
Precise reconstruction
期刊
IF:
2.1
论文数:
908
被引数:
4.7K
机构
引用论文
.png){kind=icon}
Omni-Frequency Channel-Selection Representations for Unsupervised Anomaly Detection用于无监督异常检测的全频率通道选择表示
OAAI
OAAI分享收藏DRÆM – A discriminatively trained reconstruction embedding for surface anomaly detectionDr æ m-用于表面异常检测的判别训练重建嵌入OAAI
OAAI分享收藏
查看更多内容