論文の概要: DiffusionAD: Denoising Diffusion for Anomaly Detection

• arxiv url: http://arxiv.org/abs/2303.08730v1
• Date: Wed, 15 Mar 2023 16:14:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-16 13:03:44.271854
• Title: DiffusionAD: Denoising Diffusion for Anomaly Detection
• Title（参考訳）: diffusionad: 異常検出のための弁別拡散
• Authors: Hui Zhang, Zheng Wang, Zuxuan Wu, Yu-Gang Jiang
• Abstract要約: 異常検出に新たなパイプラインDiffusionADを導入する。 我々のパイプラインは、ノイズの多いクエリ画像から異常領域を復元することで、これを実現する。 推論の間、このフレームワークは1つの拡散逆プロセスステップで満足なパフォーマンスを提供します。
• 参考スコア（独自算出の注目度）: 82.7650749023259
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection is widely applied due to its remarkable effectiveness and efficiency in meeting the needs of real-world industrial manufacturing. We introduce a new pipeline, DiffusionAD, to anomaly detection. We frame anomaly detection as a ``noise-to-norm'' paradigm, in which anomalies are identified as inconsistencies between a query image and its flawless approximation. Our pipeline achieves this by restoring the anomalous regions from the noisy corrupted query image while keeping the normal regions unchanged. DiffusionAD includes a denoising sub-network and a segmentation sub-network, which work together to provide intuitive anomaly detection and localization in an end-to-end manner, without the need for complicated post-processing steps. Remarkably, during inference, this framework delivers satisfactory performance with just one diffusion reverse process step, which is tens to hundreds of times faster than general diffusion methods. Extensive evaluations on standard and challenging benchmarks including VisA and DAGM show that DiffusionAD outperforms current state-of-the-art paradigms, demonstrating the effectiveness and generalizability of the proposed pipeline.
• Abstract（参考訳）: 異常検出は、実世界の産業生産のニーズを満たすための顕著な効果と効率のために広く適用されている。 異常検出のための新しいパイプラインである diffusionad を導入する。 我々は, 異常検出を‘noise-to-norm’パラダイムとみなし, 異常を問合せ画像とその不完全近似の不整合として識別する。 我々のパイプラインは、ノイズの多いクエリ画像から異常領域を復元し、通常の領域を変更せずにこれを実現する。 DiffusionADには分別サブネットワークとセグメンテーションサブネットワークがあり、複雑な後処理ステップを必要とせずに、直感的な異常検出とローカライゼーションをエンドツーエンドで提供する。 興味深いことに、このフレームワークは、一般的な拡散法よりも数十倍から数百倍高速な1つの拡散逆プロセスステップで満足できる性能を提供する。 VisA や DAGM などの標準および挑戦的なベンチマークに対する広範な評価は、DiffusionAD が現在の最先端パラダイムより優れており、提案されたパイプラインの有効性と一般化性を示していることを示している。

関連論文リスト

• GibbsDDRM: A Partially Collapsed Gibbs Sampler for Solving Blind Inverse Problems with Denoising Diffusion Restoration [64.8770356696056]
  本稿では,DDRM(Denoising Diffusion Restoration Models)の拡張であるGibbsDDRMを提案する。 提案手法は問題に依存しないため,様々な逆問題に対して事前学習した拡散モデルを適用することができる。
  論文  参考訳（メタデータ） (2023-01-30T06:27:48Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Unsupervised Visual Defect Detection with Score-Based Generative Model [17.610722842950555]
  我々は、教師なしの視覚的欠陥検出とローカライゼーションタスクに焦点をあてる。 近年のスコアベース生成モデルに基づく新しいフレームワークを提案する。 提案手法を複数のデータセット上で評価し,その有効性を実証する。
  論文  参考訳（メタデータ） (2022-11-29T11:06:29Z)
• AltUB: Alternating Training Method to Update Base Distribution of Normalizing Flow for Anomaly Detection [1.3999481573773072]
  近年,様々な領域において,教師なし異常検出が注目されている。 その主なアプローチの1つは正規化フローであり、複素分布の像としての可逆変換を N(0, I) として簡単な分布に変換することである。
  論文  参考訳（メタデータ） (2022-10-26T16:31:15Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [93.68531382792366]
  本稿では,深層畳み込み型オートエンコーダのための自己教師型学習システムを提案する。 モデルが修正された再構成エラーによってデータ多様体に集中するように調整しながら、トレーニング中に識別情報を使用することができる。 MVTec 異常検出データセットに対する実験により,提案手法の高精度な認識とローカライゼーション性能が示された。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Deblurring via Stochastic Refinement [85.42730934561101]
  条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。 提案手法は,PSNRなどの歪み指標の点で競合する。
  論文  参考訳（メタデータ） (2021-12-05T04:36:09Z)
• FastFlow: Unsupervised Anomaly Detection and Localization via 2D Normalizing Flows [18.062328700407726]
  本稿では,ResNet や Vision Transformer など,任意の機能抽出用プラグインモジュールとしてFastFlowを提案する。 トレーニングフェーズでは、FastFlowは入力された視覚的特徴を抽出可能な分布に変換することを学び、推論フェーズにおける異常を認識する可能性を得る。 提案手法は推論効率の高い異常検出において99.4%のAUCを実現する。
  論文  参考訳（メタデータ） (2021-11-15T11:15:02Z)
• Distribution Mismatch Correction for Improved Robustness in Deep Neural Networks [86.42889611784855]
  正規化法は ノイズや入力の腐敗に関して 脆弱性を増大させる 本稿では,各層の活性化分布に適応する非教師なし非パラメトリック分布補正法を提案する。 実験により,提案手法は画像劣化の激しい影響を効果的に低減することを示した。
  論文  参考訳（メタデータ） (2021-10-05T11:36:25Z)
• Localizing Anomalies from Weakly-Labeled Videos [45.58643708315132]
  Weakly Supervised Anomaly Localization (WSAL)法を提案する。 異常映像の出現差にインスパイアされ, 隣接する時間領域の進化を異常映像の局所化のために評価した。 提案手法は,UCF-CrimeおよびTADデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-08-20T12:58:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。