GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection

扩散模型在无监督异常检测任务中表现出卓越的性能。由于仅使用正常数据进行训练，扩散模型倾向于重构测试图像的正常对应项并添加一定的噪声。然而，这些方法将所有潜在的异常视为平等，可能会导致两个主要问题。从全局角度来看，重构具有不同异常的图像的难度是不均匀的。因此，我们建议针对每个样本预测特定的去噪步骤，通过评估图像内容与从扩散模型中提取的先验之间的差异来实现。从局部角度来看，即使在同一图像中，重建异常区域与正常区域也有所不同。理论上，扩散模型为每个步骤预测一个噪声，通常遵循标准高斯分布。然而，由于异常和其潜在的正常对应项之间的差异，异常区域中预测的噪声将不可避免地偏离标准高斯分布。为此，我们建议在训练中引入合成异常样本，以鼓励扩散模型突破标准高斯分布的限制，并在推理过程中使用空间自适应特征融合方案。通过上述修改，我们提出了一种全局和局部自适应扩散模型（简称GLAD）用于无监督异常检测，它引入了吸引人的灵活性，并实现了无异常的重构，同时保留尽可能多的正常信息。在三个常用的异常检测数据集（MVTec-AD、MPDD和VisA）和一个印刷电路板数据集（PCB-Bank）上进行了大量实验，结果显示了所提出方法的有效性。

本论文旨在解决无监督异常检测中的两个问题：全局视角下，不同的异常难度不同，需要针对每个样本预测特定的去噪步骤；局部视角下，异常区域与正常区域的重建不同，需要引入合成异常样本来鼓励扩展标准高斯分布的扩散模型。

论文提出了一种全局和局部自适应扩散模型（GLAD）的解决方案，该方案通过评估图像内容与从扩散模型中提取的先验之间的差异来为每个样本预测特定的去噪步骤，并在训练中引入合成异常样本来打破标准高斯分布的限制。

论文在三个常用的异常检测数据集（MVTec-AD、MPDD和VisA）和一个印刷电路板数据集（PCB-Bank）上进行了大量实验，证明了所提出方法的有效性。该方法具有灵活性，能够实现无异常重建，并尽可能保留正常信息。此外，论文还提出了一种空间自适应特征融合方案。

最近的相关研究包括：1）使用生成对抗网络（GAN）进行异常检测；2）使用变分自编码器（VAE）进行异常检测；3）使用深度置信网络（DBN）进行异常检测。