.png){kind=icon}
返回
DiffusionAD: Norm-Guided One-Step Denoising Diffusion for Anomaly Detection
.png){kind=icon}
OA
AI
DOI：10.1109/TPAMI.2025.3570494.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
异常检测因其显著的有效性和效率，已在实际工业制造中获得了广泛应用。然而，以往的生成式模型受限于次优的重构质量，阻碍了其整体性能。我们提出了DiffusionAD，一种新型的异常检测流程，包含重构子网络和分割子网络。一项基础性改进在于我们将使用扩散模型的重构过程重新表述为噪声到正常（noise-to-norm）范式。在此过程中，受高斯噪声干扰后的异常区域失去其独特特征，并被重构为无异常区域。随后，分割子网络根据输入图像与其无异常重构之间的相似性和差异，预测像素级异常分数。此外，考虑到扩散模型因迭代去噪特性导致推理速度大幅下降，我们重新审视了去噪过程并引入了一种快速的单步去噪范式。该范式在保持相当重构质量的同时实现了数百倍的加速。此外，考虑到异常表现形式的多样性，我们提出了一种范数引导范式，以整合多尺度噪声的优势，增强重构保真度。在四个标准和具有挑战性的基准上的全面评估表明，DiffusionAD优于当前的最先进方法，并实现了相当快的推理速度，证明了所提出流程的有效性和广泛应用前景。
Keyword:
Anomaly detection
diffusion models
期刊
IF:
18.6
论文数:
864
被引数:
9.8W
机构
引用论文
分享收藏分享收藏CFA: Coupled-Hypersphere-Based Feature Adaptation for Target-Oriented Anomaly Localization.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容