Unsupervised Anomaly Detection via Masked Diffusion Posterior Sampling

重建方法通常用于无监督异常检测，其中正常图像被重建并与给定的测试图像进行比较，以检测和定位异常。最近，扩散模型由于其强大的生成能力，已经显示出在异常检测方面具有很有前途的应用。然而，这些模型缺乏对正常图像重建的严格数学支持，并且不可预期地遭受低重建质量的问题。为了解决这些问题，本文提出了一种新的、高度可解释的方法，名为Masked Diffusion Posterior Sampling（MDPS）。在MDPS中，正常图像的重建问题被数学建模为基于设计的掩蔽噪声观察模型和基于扩散的正常图像先验的多个扩散后验采样。使用从像素级和感知级别角度设计的度量，MDPS可以有效地计算每个正常后验样本与给定测试图像之间的差异图。通过对多个后验样本的所有差异图进行平均，可以得到异常分数。在MVTec和BTAD数据集上进行的详尽实验表明，MDPS在正常图像重建质量以及异常检测和定位方面可以实现最先进的性能。

提出一种解决基于扩散模型的异常检测方法中低重构质量和缺乏严格数学支持的问题的方法。

提出了一种基于掩模扩散后验采样的方法，将正常图像重构问题数学建模为基于贝叶斯框架下的多个扩散后验采样，使用像素级和感知级别的度量计算每个正常后验样本与给定测试图像之间的差异图，通过多个后验样本的所有差异图的平均值获得异常分数。

实验表明，该方法在正常图像重构质量、异常检测和定位方面均能达到最先进水平。使用了MVTec和BTAD数据集进行实验，并开源了代码。

最近相关的研究包括：AnoGAN、VAE、GANomaly等。