Fugu-MT 論文翻訳(概要): Unsupervised Anomaly Detection via Masked Diffusion Posterior Sampling

論文の概要: Unsupervised Anomaly Detection via Masked Diffusion Posterior Sampling

arxiv url: http://arxiv.org/abs/2404.17900v1
Date: Sat, 27 Apr 2024 13:13:27 GMT
ステータス: 処理完了
システム内更新日: 2024-04-30 18:41:58.355932
Title: Unsupervised Anomaly Detection via Masked Diffusion Posterior Sampling
Title（参考訳）: Masked Diffusion Posterior Smplingによる教師なし異常検出
Authors: Di Wu, Shicai Fan, Xue Zhou, Li Yu, Yuzhong Deng, Jianxiao Zou, Baihong Lin,
Abstract要約: 拡散モデルは、その強力な生成能力のために、異常検出に有望な応用を示している。本稿では,Masked Diffusion Posterior Smpling (MDPS) という,新規かつ高解釈可能な手法を提案する。 MDPSは、異常検出や局所化と同様に、通常の画像再構成の品質において最先端の性能を達成することができる。
参考スコア（独自算出の注目度）: 8.887775968482208
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Reconstruction-based methods have been commonly used for unsupervised anomaly detection, in which a normal image is reconstructed and compared with the given test image to detect and locate anomalies. Recently, diffusion models have shown promising applications for anomaly detection due to their powerful generative ability. However, these models lack strict mathematical support for normal image reconstruction and unexpectedly suffer from low reconstruction quality. To address these issues, this paper proposes a novel and highly-interpretable method named Masked Diffusion Posterior Sampling (MDPS). In MDPS, the problem of normal image reconstruction is mathematically modeled as multiple diffusion posterior sampling for normal images based on the devised masked noisy observation model and the diffusion-based normal image prior under Bayesian framework. Using a metric designed from pixel-level and perceptual-level perspectives, MDPS can effectively compute the difference map between each normal posterior sample and the given test image. Anomaly scores are obtained by averaging all difference maps for multiple posterior samples. Exhaustive experiments on MVTec and BTAD datasets demonstrate that MDPS can achieve state-of-the-art performance in normal image reconstruction quality as well as anomaly detection and localization.
Abstract（参考訳）: レコンストラクションに基づく手法は、通常画像を再構成し、与えられたテスト画像と比較して異常を検出し、発見するアン教師なしの異常検出によく用いられている。近年、拡散モデルは、その強力な生成能力のために、異常検出に有望な応用を示している。しかし、これらのモデルには通常の画像再構成のための厳密な数学的サポートがなく、予期せず低い復元品質に悩まされている。そこで本研究では,Masked Diffusion Posterior Sampling (MDPS) という新しい手法を提案する。 MDPSでは, 正規画像の多重拡散後サンプリングとして, マスク付き雑音観測モデルとベイジアン・フレームワーク下での拡散ベース正規画像に基づいて, 正規画像の多重拡散後サンプリングを数学的にモデル化する。画素レベルの視点と知覚レベルの視点から設計した計量を用いて、MDPSは、各正常な後部サンプルと与えられたテスト画像との差分マップを効果的に計算することができる。異常スコアは、複数の後部サンプルに対するすべての差分マップを平均化することによって得られる。 MVTecおよびBTADデータセットの発掘実験により、MDPSは正常な画像再構成品質と異常検出および局所化において最先端の性能を達成できることが示された。

関連論文リスト

pcaGAN: Improving Posterior-Sampling cGANs via Principal Component Regularization [11.393603788068777]
画像逆問題では、観測された測定値と真の画像の事前知識の両方に適合する仮説が多数存在する。本稿では, 高速かつ高精度な後サンプリング条件生成対向ネットワーク (cGAN) を提案する。
論文参考訳（メタデータ） (2024-11-01T14:09:28Z)
GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
論文参考訳（メタデータ） (2024-06-11T17:27:23Z)
Spatial-aware Attention Generative Adversarial Network for Semi-supervised Anomaly Detection in Medical Image [63.59114880750643]
本稿では,一級半教師付き健康画像生成のための空間意識生成ネットワーク(SAGAN)について紹介する。 SAGANは、正常な画像の復元と擬似異常画像の復元によって導かれる、ラベルのないデータに対応する高品質な健康画像を生成する。 3つの医学データセットに対する大規模な実験は、提案されたSAGANが最先端の手法よりも優れていることを示した。
論文参考訳（メタデータ） (2024-05-21T15:41:34Z)
Evaluation of pseudo-healthy image reconstruction for anomaly detection with deep generative models: Application to brain FDG PET [3.5250480324981406]
本研究では,現実的な異常画像のシミュレーションに基づく評価手法を提案する。この枠組みを畳み込み変分オートエンコーダを用いた3次元脳FDG PETの再構成に適用する。
論文参考訳（メタデータ） (2024-01-29T18:02:22Z)
DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2023-12-11T18:38:28Z)
Projection Regret: Reducing Background Bias for Novelty Detection via Diffusion Models [72.07462371883501]
本研究では,非意味情報のバイアスを緩和する効率的な新規性検出手法であるemphProjection Regret(PR)を提案する。 PRは、テスト画像とその拡散ベースの投影の間の知覚距離を計算し、異常を検出する。拡張実験により、PRは生成モデルに基づく新規性検出手法の先行技術よりも有意なマージンで優れていることが示された。
論文参考訳（メタデータ） (2023-12-05T09:44:47Z)
Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文参考訳（メタデータ） (2023-11-27T13:14:06Z)
Masked Autoencoders for Unsupervised Anomaly Detection in Medical Images [5.457150493905064]
健康なサンプルのみを用いてフレームワークを訓練する医療画像の異常検出に取り組む。本研究は,正常スキャンの再構成に否定的なサンプルを用いて,異常分類器を教師付きで訓練する。提案手法を,AST,RD4AD,AnoVAEGAN,f-AnoGANの4つの最先端異常検出フレームワークと比較した。
論文参考訳（メタデータ） (2023-07-14T09:13:28Z)
Diversity-Measurable Anomaly Detection [106.07413438216416]
本稿では,再構成の多様性を高めるため,DMAD(Diversity-Measurable Anomaly Detection)フレームワークを提案する。 PDMは基本的に、変形を埋め込みから分離し、最終的な異常スコアをより信頼性を高める。
論文参考訳（メタデータ） (2023-03-09T05:52:42Z)
Dual-distribution discrepancy with self-supervised refinement for anomaly detection in medical images [29.57501199670898]
我々は、既知の正規画像と未ラベル画像を利用するために、一級半教師付き学習(OC-SSL)を導入する。再構成ネットワークのアンサンブルは、正規画像の分布と、正規画像と未ラベル画像の両方の分布をモデル化するように設計されている。本稿では,異常を直接検出するのではなく,異常スコアを改良する自己教師型学習の新しい視点を提案する。
論文参考訳（メタデータ） (2022-10-09T11:18:45Z)
Unsupervised Lesion Detection via Image Restoration with a Normative Prior [6.495883501989547]
本稿では,ネットワークをベースとした事前分布を規範分布とし,MAP推定を用いて画素単位で病変を検出する確率モデルを提案する。脳MRIにおけるグリオーマと脳卒中病変の実験は、提案手法が最先端の教師なし手法よりかなり優れていることを示している。
論文参考訳（メタデータ） (2020-04-30T18:03:18Z)

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。