Detecting Out-Of-Distribution Earth Observation Images with Diffusion Models

地球观测图像可以捕捉罕见和不寻常的事件，例如灾难和主要景观变化，它们的视觉外观与通常的观察不同。在常见的遥感数据上训练的深度模型，对于这些分布之外的样本，将输出与其训练数据集更接近的特征。因此，检测它们可以帮助预测观测结果的变化，无论是地理上的还是环境上的。在这项工作中，我们展示了扩散模型的重建误差可以有效地作为遥感图像的非监督分布外检测器，使用它们作为可信度分数。此外，我们引入了ODEED，一种新的基于重建的评分器，使用扩散模型的概率流ODE。我们在SpaceNet 8上进行了实验验证，包括经典的地理偏移和接近分布外的设置：洪水前/后和非洪水/洪水图像识别。我们展示了我们的ODEED评分器在洪水图像检测的更具挑战性的接近分布外场景中显著优于其他基于扩散和判别的基线。我们旨在为遥感异常检测的更好使用生成模型铺平道路。

如何利用生成模型进行遥感图像中的异常检测？

使用扩散模型的重构误差作为无监督的遥感图像异常检测器，并提出了基于概率流ODE的ODEED评分器。通过在SpaceNet 8数据集上的实验验证其有效性。

论文提出的ODEED评分器在近似分布尾部的洪水图像检测中明显优于其他扩散模型和判别式基线。实验中使用了SpaceNet 8数据集，并提供了开源代码。

最近的相关研究包括使用深度生成模型进行异常检测的研究，以及使用扩散模型进行异常检测的研究。例如，"Deep Autoencoding Gaussian Mixture Model for Unsupervised Anomaly Detection"和"Out-of-Distribution Detection using an Ensemble of Self Supervised Leave-out Classifiers"。