首页
/ DiAD:基于扩散模型的多类别异常检测框架

DiAD:基于扩散模型的多类别异常检测框架

2024-09-17 10:39:39作者:温艾琴Wonderful

项目介绍

DiAD(Diffusion-based Anomaly Detection)是一个基于扩散模型的多类别异常检测框架,由浙江大学和腾讯优图实验室联合开发。该项目在AAAI 2024上发表,旨在解决传统重建方法在多类别异常检测中面临的挑战,如图像类别保留和像素级结构完整性问题。DiAD通过结合像素空间自编码器、潜在空间语义引导网络和预训练特征提取器,实现了在多类别场景下的高效异常检测。

项目技术分析

DiAD的核心技术包括以下几个方面:

  1. 像素空间自编码器:用于图像的重建,确保异常区域的重建质量。
  2. 潜在空间语义引导网络(SG网络):通过连接稳定扩散的去噪网络,实现异常区域的重建同时保留原始图像的语义信息。
  3. 空间感知特征融合(SFF)块:在处理大面积重建区域时,最大化重建精度。
  4. 预训练特征提取器:处理输入和重建图像,生成基于不同尺度特征的异常图。

项目及技术应用场景

DiAD适用于多种需要高精度异常检测的场景,包括但不限于:

  • 工业质检:在制造业中,用于检测产品表面的缺陷,如裂纹、污渍等。
  • 医疗影像分析:在医学影像中,用于检测病变区域,如肿瘤、骨折等。
  • 安防监控:在视频监控中,用于检测异常行为或物体,如入侵者、火灾等。

项目特点

DiAD具有以下显著特点:

  1. 高精度异常检测:在MVTec-AD和VisA数据集上的实验结果表明,DiAD在定位和检测方面均超越了现有最先进的方法,分别达到了96.8/52.6和97.2/99.0(AUROC/AP)。
  2. 多类别支持:能够处理多类别场景下的异常检测,适用于复杂环境。
  3. 易于集成:DiAD将支持ADer项目,便于开发者集成和扩展。
  4. 开源友好:项目代码开源,提供了详细的安装、训练和测试指南,便于研究人员和开发者使用。

通过DiAD,您可以轻松实现高精度的多类别异常检测,提升应用场景中的检测效率和准确性。欢迎访问项目页面了解更多详情,并加入我们的开源社区,共同推动异常检测技术的发展!

登录后查看全文
热门项目推荐
相关项目推荐