DiAD：基于扩散模型的多类别异常检测框架

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！