DISYRE: Diffusion-Inspired SYnthetic REstoration for Unsupervised Anomaly Detection

无监督异常检测（UAD）技术旨在识别和定位异常，而不依赖于注释，仅利用已知无异常的数据集训练的模型。扩散模型学习修改输入$x$以增加其属于所需分布的概率，即，它们建模得分函数$\nabla_x \log p(x)$。这样的得分函数对于UAD可能是相关的，因为$\nabla_x \log p(x)$本身是一个像素级别的异常得分。然而，扩散模型是训练来反转基于高斯噪声的损坏过程的，学习到的得分函数不太可能推广到医学异常。这项工作解决了如何学习与UAD相关的得分函数的问题，并提出了DISYRE：受扩散启发的合成修复。我们保留了类似于扩散的流程，但用逐渐的合成异常损坏替换了高斯噪声损坏，使学习到的得分函数推广到医学自然发生的异常。我们在三个常见的脑MRI UAD基准测试上评估了DISYRE，并在其中两个任务中显著优于其他方法。

论文提出了DISYRE方法，旨在解决无监督异常检测中由于模型无法泛化到医学异常数据而导致性能下降的问题。论文通过使用逐渐引入的合成异常数据来替换高斯噪声，使得学习到的评分函数可以泛化到医学异常数据中。

论文的关键思路是使用DISYRE方法进行无监督异常检测。DISYRE方法使用类似扩散模型的方法，但是将高斯噪声替换为逐渐引入的合成异常数据，从而学习到的评分函数可以泛化到医学异常数据中。

论文在三个常见的脑MRI无监督异常检测基准测试中评估了DISYRE方法，并在其中两个任务中明显优于其他方法。论文还开源了代码和数据集。值得进一步研究的工作包括如何将DISYRE方法应用于其他领域中。

最近的相关研究包括使用生成对抗网络进行异常检测的方法、使用自编码器进行异常检测的方法等。