将扩散模型的能力引入缺陷检测
内容提要
本文综述了计算机视觉中去噪扩散模型的应用，介绍了多种异常检测方法及其在不同数据集上的表现，提出了新的图像表示方法和数据增强策略，显著提高了检测准确性和鲁棒性，展示了扩散模型在工业缺陷检测中的潜力。
延伸解读
扩散模型在异常检测中的方法演进
文章梳理了从2022年到2024年扩散模型在异常检测中的多项研究，展示了技术路线的快速迭代。早期工作如DDAD侧重图像重建和域适应，随后DNF转向生成图像检测，2024年则出现动态步长、潜在空间投影等增强框架。这些方法在MVTec AD、Kolektor等数据集上验证，表明扩散模型正从通用生成向工业缺陷检测专用化发展。
工业缺陷检测的数据瓶颈与生成式对策
工业场景中缺陷样本稀缺是核心挑战。文章提到多种基于扩散模型的缺陷生成算法，例如在潜在空间生成并优化缺陷样本，以及DDPM-MoCo方法。这些方法通过扩充训练集，在MVTec AD上使AP、IAP等指标提升1.5%至3.1%。生成式数据增强成为缓解样本不足、提升检测鲁棒性的可行路径。
人机互动与零样本生成的实用价值
文章强调利用人机互动进行零样本生成，避免耗时微调，同时增强结果可解释性和人类反馈鲁棒性。在KSDD2数据集上，该方法相比先进数据增强方法，AP提升约18%（有正样本）和28%（无正样本）。这为工业检测中快速部署和适应新缺陷类型提供了新思路，尤其适合样本极端缺乏的场景。
Q&A
去噪扩散模型在缺陷检测中的应用有哪些？
去噪扩散模型在缺陷检测中应用于异常检测、图像重建、数据增强等，显著提高了检测准确性和鲁棒性。
什么是DDAD异常检测方法？
DDAD是一种基于去噪扩散的异常检测方法，通过图像重建和域适应提高检测性能。
如何提高工业异常检测的准确性？
通过生成缺陷样本的算法和扩充训练集，可以显著提高工业异常检测的准确性。
Diffusion Noise Feature（DNF）是什么？
DNF是一种图像表示方法，旨在增强对生成图像的检测能力，利用潜在的高斯表示差异提升检测效果。
In&Out数据增强方法的特点是什么？
In&Out数据增强方法结合了超出分布和分布内样本，适用于零样本和少样本数据增强设置。
扩散模型如何与深度学习结合以提高检测性能？
扩散模型与深度学习模型结合，通过集成噪声检测和去噪技术，提高了缺陷检测的准确性和鲁棒性。
