type
status
date
slug
summary
tags
category
icon
password
Last edited time
Mar 16, 2024 07:01 AM
利用Diffusion在通过学习少量的异常样本来生成大量与异常掩膜对齐的异常图像
anomalydiffusion
sjtuplayer • Updated Jun 4, 2024
📝 主旨内容
输入:正常图+异常掩码 输出:掩码区域内的异常图像
解决的问题
- 异常的真实性低,多样性有限(不基于模型的方法)
- 生成的异常与掩码图对齐不准确(基于Gan的方法)
架构图
异常嵌入与空间嵌入分离
异常嵌入对应于某种类型的异常(例如,榛子裂纹、胶囊挤压)
空间嵌入提供异常位置信息
自适应注意力机制
将更多注意力分配给生成异常不那么明显的区域
效果
🤗 总结归纳
异常检查(Anomaly Inspection)
- 异常检测
- 异常定位
- 异常分类
📎 参考文章
- 作者:ziuch
- 链接:https://ziuch.com/article/AnomalyDiffusion
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议,转载请注明出处。
相关文章