.png){kind=icon}
返回
Diffusion with Awareness: An Adaptive Framework for Multi-class Anomaly Detection
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-4987-0_31.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
工业场景下的多类异常检测面临独特挑战，如跨类别泛化能力差和存在动态重建偏差。为解决这些问题，我们提出DADF框架，一种新颖的具有感知能力的扩散模型，该框架集成了自适应参数调制、局部异常合成和特征空间抑制，以实现鲁棒且精确的检测。具体而言，我们设计了一个自适应扩散参数模块，利用预训练的视觉模型从正常图像中提取语义、纹理和边缘表示，并动态调整噪声水平和时间步长计划，以实现类别感知的重建。为增强异常多样性和定位能力，我们引入局部扩散异常模块（LDAM），该模块扰动空间受限的潜在区域，生成逼真的伪异常作为监督信号。此外，异常抑制模块通过包含两层投影头，并结合余弦重建损失、L2正则化和对比边距损失等特征空间约束，将伪异常特征与正常模式对齐，并缓解残余异常泄漏。在推理阶段，通过输入与扩散模型重建结果之间的多尺度余弦相似度计算像素级异常图。在MVTec-AD、VisA、BTAD和MPDD基准上的大量实验表明，DADF在图像级和像素级任务上均显著优于现有方法。消融研究进一步验证了我们自适应和生成组件的互补效应。
Keyword:
Multi-class Anomaly Detection
Diffusion Generative Models
Anomaly Segmentation
期刊
P
IF:
0
论文数:
30
被引数:
0
机构
引用论文
The MVTec Anomaly Detection Dataset: A Comprehensive Real-World Dataset for Unsupervised Anomaly DetectionMVTec异常检测数据集: 用于无监督异常检测的全面真实数据集
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HieClip: Hierarchical CLIP with Explicit Alignment for Zero-Shot Anomaly Detection.png)
ICASSP 2025 - 2025 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
ICASSP 2025 - 2025 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
PREAI
分享收藏
查看更多内容