主页

模型特点 现有的基于扩散模型的无监督异常检测方法通常遵从一个流程来重建样本，首先使用目标的正常样本来训练，然后通过加噪来重建样本。由于训练时只用了正常样本，因此只要添加的噪声足够大，就可以重建出正常样本。现有的方法通常是设置足够大的去噪步数来保证重建能力。 由于不同异常的图像去噪难度不均匀，设置同一个去噪步数并不一定好。由于去噪过程越长随机性更强，在重建质量更好的同时，也会导致保留原始样本的细节更少。因此本文提出了自适应去噪步骤（ADP），实现根据异常图像来自适应去噪步数。 在同一图像中，重建异常区域与正常区域对噪声的假设是不同的。正常区域预测的噪声是添加的噪声，也就是高斯噪声。而异常区域要预测的噪声不可避免会偏离高斯噪声，这也使得预测会更困难。...

模型特点 EfficientAD是一个基于S-T（学生-老师）框架的异常检测方法，由Batzner等人在2024年提出。通过在训练时让学生网络学习老师网络在正常样本上的特征，然后测试时利用异常样本在学生网络和老师网络提取特征的差异实现异常检测。 提出了轻量级特征提取器PDN，大幅提高推理速度。 使用了S-T方法，提出了hard feature loss和预训练惩罚项，减少在训练数据分布以外的泛化性。通过阻止学生模型的泛化性，老师网络在所有图像上能正常提取特征，学生模型只会提取正常图像的特征，利用差异来检测异常。 利用自编码器实现逻辑异常检测。 模型架构 PDN（Patch Description Network） 仅用四个卷积层组成。通常的S-T网络由于缺乏下...

模型特点 SimpleNet是一个基于特征分类的无异常检测方法，由Liu等人在2023年提出。SimpleNet使用了一个特征适应器来对齐预训练数据和训练数据，并且利用特征而不是样本来训练判别器，从而有更高的计算效率。 训练模型 graph LR A[输入图像] --特征提取器--> B[局部特征] --特征自适应--> C[自适应特征] C & D[高斯噪声] --> E[异常特征] C & E --> F[判别器] 训练过程由四部分组成： 提取特征 对齐特征 通过对正样本特征加噪声获得负样本特征 从特征进行判别 特征提取 特征提取部分使用预训练模型，然后参考了patchcore的局部...

模型特点 SPD(SPot-the-difference) 是一个数据增强方案，由Zou等人在2022年提出。文章主要提出了SPD训练方法，和VisA数据集。 训练阶段 graph LR A[正常图像 x] --Smoothblend--> B[负样本 x⁻] A --弱全局增强--> C[正样本 x⁺] B & A & C --> D[特征提取器 f] D --h⁻--> E[MLP模型 g] D --h--> E D --h⁺--> E E --z⁻--> F[对比损失] E --z--> F E --z⁺--> F 首先对输入图像 $x$，使用全局增强，例如随机裁剪、高斯模糊、水平反转、颜色抖动，得...

模型特点 PatchCore是一个基于memory bank的异常检测方法，由Roth等人在2022年提出。PatchCore的核心思想是将图像划分为多个小块（patch），并在每个小块上进行异常检测，从而提高了异常检测的精度。 参考了SPADE利用从预训练网络中提取的正常特征的memory bank，PatchCore也使用memory bank，但采用了一种基于邻域的补丁级特征，保留了更多的上下文并纳入了更好的适应性偏差。 为了接近memory bank特征空间的覆盖，文章为PatchCore调整贪婪算法得到coreset。 PatchCore利用局部感知的patch特征分数来考虑局部空间变化，并减少对ImageNet类别的b...

这份报告主要调研了目前比较新或经典的异常检测方法，会先以2019年的f-AnoGAN为界介绍一些其设计来源的老方法，然后再开始按时间线介绍最近的新论文。 年份 模型 2014 GAN 2015 DCGAN 2017 AnoGAN、WGAN、WGAN-GP 2018 GANomaly 2019 f-AnoGAN DCGAN 模型特点 在DCGAN中首次提出了反卷积（Deconvolution，转...

本博客的符号说明参考詹兴致老师的《Matrix Theory》，研究范围为更加一般的复矩阵情况，如果为实矩阵会特别指出。 符号 说明 备注 $\mathbb{R}$ 实数集 \mathbb{} $\mathbb{C}$ 复数集   $M_{m,n}(\Omega)$ 定义在集合$\Omega$上的矩阵集合，通常$\Omega$为域或环，矩阵的每一项为$\Omega$中的元素。   $M_{m,n}$ 等同于$M...

值得纪念的🐷站第一篇博客，以后会陆续把别的博客传过来。 欢迎大家来玩！