論文の概要: HDM: Hybrid Diffusion Model for Unified Image Anomaly Detection

• arxiv url: http://arxiv.org/abs/2502.19200v1
• Date: Wed, 26 Feb 2025 15:05:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-27 14:57:27.490036
• Title: HDM: Hybrid Diffusion Model for Unified Image Anomaly Detection
• Title（参考訳）: HDM:統一画像異常検出のためのハイブリッド拡散モデル
• Authors: Zekang Weng, Jinjin Shi, Jinwei Wang, Zeming Han,
• Abstract要約: 異常検出は、産業品質検査や医療画像撮影などの応用において重要な役割を担っている。 既存の手法は、しばしば複雑で多様な異常パターンに悩まされる。 生成と識別を統一されたフレームワークに統合する新しいハイブリッド拡散モデル(HDM)を提案する。
• 参考スコア（独自算出の注目度）: 3.9378898870716523
• License:
• Abstract: Image anomaly detection plays a vital role in applications such as industrial quality inspection and medical imaging, where it directly contributes to improving product quality and system reliability. However, existing methods often struggle with complex and diverse anomaly patterns. In particular, the separation between generation and discrimination tasks limits the effective coordination between anomaly sample generation and anomaly region detection. To address these challenges, we propose a novel hybrid diffusion model (HDM) that integrates generation and discrimination into a unified framework. The model consists of three key modules: the Diffusion Anomaly Generation Module (DAGM), the Diffusion Discriminative Module (DDM), and the Probability Optimization Module (POM). DAGM generates realistic and diverse anomaly samples, improving their representativeness. DDM then applies a reverse diffusion process to capture the differences between generated and normal samples, enabling precise anomaly region detection and localization based on probability distributions. POM refines the probability distributions during both the generation and discrimination phases, ensuring high-quality samples are used for training. Extensive experiments on multiple industrial image datasets demonstrate that our method outperforms state-of-the-art approaches, significantly improving both image-level and pixel-level anomaly detection performance, as measured by AUROC.
• Abstract（参考訳）: 画像異常検出は、産業品質検査や医用画像などの応用において重要な役割を担い、製品品質とシステムの信頼性の向上に直接貢献する。 しかし、既存の手法は複雑で多様な異常パターンに悩まされることが多い。 特に、生成タスクと識別タスクの分離は、異常サンプル生成と異常領域検出の効果的な調整を制限する。 これらの課題に対処するために、生成と識別を統合されたフレームワークに統合する新しいハイブリッド拡散モデル(HDM)を提案する。 モデルは、拡散異常発生モジュール(DAGM)、拡散判別モジュール(DDM)、確率最適化モジュール(POM)の3つの主要なモジュールで構成されている。 DAGMは現実的で多様な異常サンプルを生成し、その代表性を改善する。 次に、DDMは、生成されたサンプルと通常のサンプルの違いを捉えるために逆拡散プロセスを適用し、確率分布に基づいた正確な異常領域の検出と局所化を可能にする。 POMは、生成フェーズと識別フェーズの両方で確率分布を洗練し、高品質なサンプルをトレーニングに使用することを保証する。 複数の産業用画像データセットに対する大規模な実験により,本手法は最先端の手法よりも優れており,AUROCが測定した画像レベルと画素レベルの異常検出性能が著しく向上していることが示された。

関連論文リスト

• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  大規模なデータセットのトレーニングによるスケーリングは、画像生成の品質と忠実度を高め、拡散モデルによる操作を可能にすることが示されている。 遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 本研究は,異なる微調整方式と組み合わせた場合,様々なシナリオにおいて顕著な性能向上を示すものである。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Cross-conditioned Diffusion Model for Medical Image to Image Translation [22.020931436223204]
  医用画像から画像への変換のためのクロスコンディショニング拡散モデル(CDM)を提案する。 まず、目的のモダリティの分布をモデル化するためのモダリティ固有表現モデル(MRM)を提案する。 そして、MDN(Modality-Decoupled Diffusion Network)を設計し、MRMから効率よく効果的に分布を学習する。
  論文  参考訳（メタデータ） (2024-09-13T02:48:56Z)
• 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)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Mask, Stitch, and Re-Sample: Enhancing Robustness and Generalizability in Anomaly Detection through Automatic Diffusion Models [8.540959938042352]
  本稿では,拡散モデルのロバスト性を高める新しい手法であるAutoDDPMを提案する。 結合ノイズ分布再サンプリングにより、AutoDDPMは調和効果と塗装効果を達成する。 これはまた、現在の拡散モデルの限界に関する貴重な洞察と分析にも貢献する。
  論文  参考訳（メタデータ） (2023-05-31T08:21:17Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• 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)
• Fast Inference in Denoising Diffusion Models via MMD Finetuning [23.779985842891705]
  拡散モデルの高速サンプリング法であるMDD-DDMを提案する。 我々のアプローチは、学習した分布を所定の予算のタイムステップで微調整するために、最大平均離散性(MMD)を使用するという考え方に基づいている。 提案手法は,広範に普及した拡散モデルで要求されるわずかな時間で高品質なサンプルを生成できることが示唆された。
  論文  参考訳（メタデータ） (2023-01-19T09:48:07Z)
• Fast Unsupervised Brain Anomaly Detection and Segmentation with Diffusion Models [1.6352599467675781]
  脳画像における異常検出とセグメント分割のための拡散モデルに基づく手法を提案する。 拡散モデルは,2次元CTおよびMRIデータを用いた一連の実験において,自己回帰的アプローチと比較して競争性能が向上する。
  論文  参考訳（メタデータ） (2022-06-07T17:30:43Z)

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。