目录
- 1、AnoDDPM: Anomaly Detection With Denoising Diffusion Probabilistic Models Using Simplex Noise [CVPR Workshop 2022]
- 2、Unsupervised Visual Defect Detection with Score-Based Generative Model[2022]
- 3、DiffusionAD: Denoising Diffusion for Anomaly Detection [2023][code]
- 4、Anomaly Detection with Conditioned Denoising Diffusion Models [2023]
- 5、Unsupervised Surface Anomaly Detection with Diffusion Probabilistic Model [ICCV 2023]
- 6、Removing Anomalies as Noises for Industrial Defect Localization [ICCV 2023]
- 7、TransFusion -- A Transparency-Based Diffusion Model for Anomaly Detection [ECCV 2024][code]
- 8、LafitE: Latent Diffusion Model with Feature Editing for Unsupervised Multi-class Anomaly Detection [2023]
- 9、DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [AAAI 2024][code]
- 10、D3AD: Dynamic Denoising Diffusion Probabilistic Model for Anomaly Detection [2024]
- 11、GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [ECCV 2024][code]
1、AnoDDPM: Anomaly Detection With Denoising Diffusion Probabilistic Models Using Simplex Noise [CVPR Workshop 2022]
高斯扩散不能捕获较大的异常,因此，我们开发了一个多尺度的单纯形噪声扩散过程来控制目标异常大小。
使用Simplex噪声的去噪扩散概率模型进行异常检测，在高分辨率图像上具有良好的重建能力，并在肿瘤数据集上取得了显著的性能提升。我们构建了一个基于纯健康患者数据的模型AnoDDPM，该模型通过部分扩散过程将潜在的异常查询数据映射到健康分布上。然后，我们可以通过与原始图像进行比较来突出显示异常情况。部分扩散允许更好地重建样本从数据分布和规模到高分辨率图像良好。与完全扩散相比，较短的马尔可夫链会导致更快的推理和训练。
我们发现具有单纯形噪声的AnoDDPM通过不需要大数据集的稳定训练成功捕获了大的异常区域，避免了基于GAN的方法中常见的局限性。在医疗和非医疗应用中，使用多标量（单纯形）噪声代替高斯噪声在捕获更大的异常形状方面提供了显著的改进。
2、Unsupervised Visual Defect Detection with Score-Based Generative Model[2022]
3、DiffusionAD: Denoising Diffusion for Anomaly Detection [2023][code]
DiffusionAD的核心在于其双轨制结构——重建子网络采用扩散模型来恢复异常图片至正常状态；而分割子网络则依据原始图片与其恢复版本的差异，进行像素级异常评分预测。尤其引人瞩目的是，该框架采取了一次性去噪方案，相较传统多步骤迭代法，极大地提高了运行效率。
关键技术创新点：
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，正常样本自增强或者纹理描述数据集图像，得到最终异常图像
4、Anomaly Detection with Conditioned Denoising Diffusion Models [2023]
提出的方法是DDAD框架，它涉及一种用于重建的条件去噪过程。该过程旨在逐步去噪扰动图像，以得到与目标图像相似的图像。重建过程涉及将得分函数与目标图像进行条件化，以实现后验得分函数∇xt log pθ(xt|y)。用于异常检测任务的重建涉及将目标图像设置为输入图像，以生成输入图像的无异常近似。通过像素级和特征级距离函数进行异常评分，以得出异常热图。此外，提出了一种领域自适应技术，用于微调特征提取器以适应异常检测任务的特定领域特征。
1、将输入异常图像本身作为条件去引导图像重建过程，以生成输入图像的无异常近似。
2、利用余弦相似度将预训练模型转移到领域自适应网络中。为了解决自适应过程中泛化能力下降的问题，从冻结的特征提取器中引入了蒸馏损失。领域自适应损失由相似性损失和蒸馏损失的组合表示。
