BriefGPT - AI 论文速递
·
生成和重新加权密集对比模式的无监督异常检测
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
GRAD是一种无监督异常检测框架，通过扩散模型、自监督加权机制和基于补丁的检测器提高了准确性和推理速度。它不依赖于辅助数据集或异常模拟样本，具有较强的适应能力。
🎯
关键要点
- GRAD是一种无监督异常检测框架，具有较强的适应能力。
- 该框架不依赖于辅助数据集或异常模拟样本。
- GRAD的三个关键组成部分包括扩散模型、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。
- 实验结果表明GRAD在异常检测准确性和推理速度方面具有竞争力。
➡️
