Leveraging Latent Diffusion Models for Training-Free In-Distribution Data Augmentation for Surface Defect Detection

缺陷检测是识别生产样本中缺陷的任务。通常，缺陷检测分类器是在由正常样本（负数据）和带有缺陷的样本（正数据）组成的基准数据上进行训练的，其中后者始终少于正常样本。最先进的数据增强程序通过将伪缺陷数据叠加到正常样本中来缓解与不平衡训练数据相关的问题。这些技术通常会产生超出分布的图像，导致系统学习什么不是正常样本，但无法准确识别缺陷的外观。在这项工作中，我们介绍了DIAG，这是一种基于扩散的无需训练的内部分布异常生成管道，用于数据增强。与传统的图像生成技术不同，我们实现了一个人在环的管道，其中领域专家通过文本描述和可能异常的区域定位向模型提供多模式指导。这种战略转变增强了结果的可解释性，并促进了更强大的人类反馈循环，从而促进了生成输出的迭代改进。值得注意的是，我们的方法以零次射击的方式运行，避免了耗时的微调过程，同时实现了优越的性能。我们在具有挑战性的KSDD2数据集上展示了DIAG的功效和多功能性，当正样本可用时，AP提高了约18％，当正样本缺失时提高了28％。源代码可在https://github.com/intelligolabs/DIAG上找到。

论文旨在解决生产样本中的缺陷检测问题。当前的数据增强技术往往会产生超出分布范围的图像，导致系统无法准确识别缺陷。

论文提出了一种基于扩散的无需训练的数据增强方法DIAG，通过人机交互的方式提供多模态指导，能够更准确地生成缺陷数据，提高模型的性能。

DIAG是一种无需训练的数据增强方法，通过人机交互的方式提供多模态指导，能够更准确地生成缺陷数据，提高模型的性能。在KSDD2数据集上进行的实验表明，相比当前的数据增强方法，DIAG的平均精度提高了18%到28%。

近期的相关研究包括使用生成对抗网络进行数据增强的方法和使用自监督学习的方法。