BriefGPT - AI 论文速递
·
基于网格的连续正态表示用于异常检测
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
最近的无监督异常检测方法依赖于辅助数据集或异常模拟样本，限制了适应能力。为解决此问题，提出了一种名为GRAD的无监督异常检测框架，包括扩散模型、自监督加权机制和基于补丁的检测器。实验证明了该框架在准确性和速度方面的竞争力。
🎯
关键要点
- 最近的无监督异常检测方法依赖于辅助数据集或异常模拟样本，限制了适应能力。
- 提出了一种名为GRAD的无监督异常检测框架，旨在解决上述问题。
- GRAD框架包括三个关键组成部分：扩散模型、自监督加权机制和基于补丁的检测器。
- 扩散模型（PatchDiff）生成对比模式，保留局部结构，忽略正常图像的全局结构。
- 自监督加权机制处理PatchDiff生成的长尾和无标签对比模式的挑战。
- 轻量级的基于补丁的检测器有效区分正常模式和重新加权的对比模式。
- PatchDiff生成的结果有效暴露各种类型的异常模式，包括结构和逻辑异常模式。
- 在MVTec AD和MVTec LOCO数据集上的实验表明GRAD在异常检测准确性和推理速度方面具有竞争力。
➡️
