Defect Image Sample Generation With Diffusion Prior for Steel Surface Defect Recognition

钢表面缺陷识别任务是一个具有重要产业价值的工业问题。数据不足是训练鲁棒性缺陷识别网络的主要挑战。现有方法已经探索了通过生成模型生成样本来扩大数据集的方法。然而，由于缺陷图像样本的不足，它们的生成质量仍受到限制。因此，我们提出了稳定表面缺陷生成（StableSDG），它将稳定扩散模型中嵌入的广泛生成分布转移用于钢表面缺陷图像生成。为了解决钢表面图像和扩散模型生成图像之间的不同分布差异，我们提出了两个处理过程。首先，我们通过调整扩散模型的参数来对齐分布，这在令牌嵌入空间和网络参数空间中都采用。此外，在生成过程中，我们提出了面向图像的生成方法，而不是从纯高斯噪声中生成。我们在钢表面缺陷数据集上进行了广泛的实验，展示了在生成高质量样本和训练识别模型方面的最新性能，并且两个设计过程对于性能都是重要的。

本文旨在解决钢表面缺陷识别中数据不足的问题，提出了一种基于Stable Diffusion模型的稳定表面缺陷生成方法。

本文提出了两个关键思路：一是通过调整扩散模型的参数，将生成图像的分布与钢表面图像的分布对齐；二是采用基于图像的生成方式而非纯高斯噪声生成方式。

本文在钢表面缺陷数据集上进行了大量实验，结果表明该方法在生成高质量样本和训练识别模型方面表现出色。此外，本文提出的两个关键思路对性能的提升具有重要意义。

近期的相关研究包括使用生成模型扩充数据集以提高缺陷识别精度的方法，如CycleGAN和StarGAN等。