BriefGPT - AI 论文速递
·
GLAD: 全局和局部自适应扩散模型以实现更好的无监督异常检测
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
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，提出了无先验异常生成范式和名为GRAD的无监督异常检测框架。GRAD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GRAD在异常检测准确性和推理速度方面的竞争力。
🎯
关键要点
- 无监督异常检测方法依赖辅助数据集或异常模拟样本，限制了适应能力。
- 提出无先验异常生成范式，开发GRAD无监督异常检测框架。
- GRAD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，忽略全局结构。
- 自监督加权机制处理长尾和无标签对比模式的挑战。
- 轻量级基于补丁的检测器有效区分正常模式和对比模式。
- PatchDiff生成的结果暴露多种异常模式，包括结构和逻辑异常。
- 在MVTec AD和MVTec LOCO数据集上验证GRAD的准确性和推理速度。
➡️
