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: Few-Shot Anomaly Image Generation with Diffusion Model
Anomaly inspection plays an important role in industrial manufacture. Existing anomaly inspection methods are limited in their performance due to insufficient anomaly data. Although anomaly...
AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model
https://arxiv.org/abs/2312.05767
AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model
anomalydiffusion
sjtuplayer • Updated Jun 4, 2024
AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model
AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model.
AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model
https://sjtuplayer.github.io/anomalydiffusion-page/
notion image

📝 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

  1. 异常的真实性低，多样性有限(不基于模型的方法)
  1. 生成的异常与掩码图对齐不准确(基于Gan的方法)

架构图

notion image
notion image

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
notion image
 

效果

notion image

🤗 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

 
相关文章
科研全流程加速——让AI为你插上翅膀
PatchCore内存库中核心集的选择
Transformer中的位置编码
2024年异常检测顶会汇总
Control Net：控制增强的微调方法
通用异常检测新曙光：GPT-4V的全方位异常检测表现
2023年10月27日周五组会Control Net：控制增强的微调方法
Loading...