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1600字，阅读约需4分钟。
📝
内容提要
本文提出了一种基于扩散模型的无监督异常检测方法GRAD框架，通过生成对比模式和自监督机制有效识别异常。实验结果显示，该方法在MVTec AD和LOCO数据集上具有高准确性和推理速度。
🔎
延伸解读
GRAD 的核心创新：无先验异常生成
GRAD 框架提出了一种无先验异常生成范式，旨在解决现有无监督异常检测方法依赖辅助数据集预训练特征提取器或精心设计异常模拟样本的局限性。通过 PatchDiff 扩散模型生成对比模式，GRAD 能够在不依赖先验条件的情况下适应多种异常检测任务，从而提升模型的泛化能力。
三组件协同工作机制
GRAD 由三个关键部分组成：PatchDiff 扩散模型通过保留局部结构而忽略全局结构来生成对比模式；自监督加权机制处理生成的长尾和无标签对比模式；轻量级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。这种协同设计使 GRAD 能够暴露结构和逻辑异常模式。
实验验证与性能表现
在 MVTec AD 和 MVTec LOCO 数据集上的大量实验证明了 GRAD 在异常检测准确性和推理速度方面的竞争力。PatchDiff 生成的结果有效暴露了各种类型的异常模式，验证了无先验异常生成范式的有效性，为无监督异常检测提供了新的解决方案。
❓
Q&A
GRAD框架的主要组成部分是什么？
GRAD框架包括扩散模型PatchDiff、自监督加权机制和轻量级基于补丁的检测器。
GRAD框架如何识别异常？
GRAD框架通过生成对比模式和自监督机制有效识别异常。
GRAD框架在实验中表现如何？
实验结果显示，GRAD框架在MVTec AD和LOCO数据集上具有高准确性和推理速度。
PatchDiff的作用是什么？
PatchDiff生成对比模式，能够有效暴露各种类型的异常模式。
GRAD框架的优势是什么？
GRAD框架在异常检测准确性和推理速度方面具有竞争力。
GRAD框架的创新点是什么？
GRAD框架引入了无先验异常生成范式，解决了依赖辅助数据集的限制。
🏷️
