Unsupervised Anomaly Detection Using Diffusion Trend Analysis

传统的基于去噪扩散模型重建的异常检测技术由于能够高效地识别异常位置和形状而被广泛使用。然而，确定适当的噪声参数以降低异常并保留正常特征存在局限性。此外，由于扩散模型的不稳定性，在重建过程中正常区域可能会出现显著波动，导致误检测。本文提出了一种方法，通过分析重建趋势来检测异常，这有效地解决了现有方法的两个问题。该方法在一个用于工业异常检测的开放数据集上进行了验证，改进了现有方法在多个评估标准上的性能。由于易于与现有的异常检测方法相结合，它在计算成本和性能之间提供了一个权衡，使其在制造业具有高应用潜力。

论文旨在解决利用传统的重构方法检测异常时，难以确定适当的噪声参数以在保留正常特征的同时降低异常，以及由于扩散模型的不稳定性，重构过程中正常区域可能会出现明显波动，导致误检的问题。

论文提出了一种通过分析重构趋势来检测异常的方法，该方法依赖于降解程度，有效解决了现有方法的两个问题。该方法可以与现有的异常检测方法相结合，提供计算成本和性能之间的权衡，具有制造业中的高应用潜力。

论文在工业异常检测的开放数据集上验证了该方法，提高了现有方法在多个评估标准上的性能。实验设计详细，使用了开源数据集，但未提供代码。该方法的亮点是通过分析重构趋势来检测异常，可以有效地解决现有方法的问题。

最近的相关研究包括使用深度学习方法进行异常检测的研究，如Autoencoder和GAN等。另外，还有一些基于统计学方法的异常检测方法，如Isolation Forest和One-class SVM等。