m0_37737957的博客

1、精确率（Precision）与召回率（Recall）2、Precision-recall 曲线、F1-score与准确率（accuracy）3、ROC、AUC4、Per-Region-Overlap（PRO）

1、DDPM: Denoising Diffusion Probabilistic Models2、DDIM: Denoising Diffusion Probabilistic Models3、Generative Modeling by Estimating Gradients of the Data Distribution4、Score-based generative modeling through stochastic differential equations

1、AnoDDPM2、Unsupervised Visual Defect Detection with Score-Based Generative Model3、DiffusionAD4、Anomaly Detection with Conditioned Denoising Diffusion Models 5、Unsupervised Surface Anomaly Detection with Diffusion Probabilistic Model

1、TransFusion2、LafitE3、DiAD4、D3AD5、GLAD

1、摘要2、创新点3、主要公式4、主要实现过程

1、摘要2、创新点3、主要公式4、自己的理解，对错不确定

1、所提出的方法基于扩散过程，通过正向随机微分方程（SDE）逐渐向原始数据添加噪声，并生成一系列数据。反向过程旨在通过使用梯度驱动的条件概率密度函数的逆向扩散过程，从噪声数据中恢复原始数据。通过最小化损失函数来训练基于评分的生成模型，以学习评分函数，即对数条件概率密度函数的梯度。2、反向扩散过程可以通过反向SDE或概率流常微分方程（ODE）来实现。3、定义了两种类型的评分：整体评分和自身评分，用于驱动反向过程和评估数据异常。whole-score 可能指的是对整个图像或数据样本的分数评估。这个分数是基于

**一步去噪模式**：摒弃了冗长的迭代过程，直接从噪声分布中抽样出高质量的无异图像。**规范引导重构：**引入特有规范指导机制，进行两个尺度的扩散和重建，t较小时展示更高的像素质量，保留有细密纹理的细节，但无法重建大缺陷，t较大时引入较大失真，但同时也可以重建较大异常。先进性较大尺度重建，得到正常图像，再用这个正常图像作为条件，去制导小尺度的重建，这样就可以兼容大小异常，又能保证较好的重建质量。**异常图像生成：**利用柏林噪声和正常图像的mask，得到异常图像mask M，再联合正常图像N，正常样本自

1、将输入异常图像本身作为条件去引导图像重建过程，以生成输入图像的无异常近似。2、利用余弦相似度将预训练模型转移到领域自适应网络中。为了解决自适应过程中泛化能力下降的问题，从冻结的特征提取器中引入了蒸馏损失。领域自适应损失由相似性损失和蒸馏损失的组合表示。

1）DiffAD引入了噪声条件嵌入和插值通道，以提高异常检测中的重建质量和多样性。2）噪声条件嵌入通过噪声扩散潜在表示，区分正常和异常区域，提高重建质量。3）插值通道生成额外特征通道，增强重建期间的多样性。

**1）用于重建的梯度去噪方法**采用由PaDiM近似的多元高斯分布来描述无异常数据的深层特征。对于重建，使用马氏距离梯度下降对图像进行优化**2）综合了像素级得分和特征级得分的对于多尺度噪声的重建方法**训练扩散模型涉及使用自编码器方法，其中使用MSE损失来预测噪声的尺度。通过基于变分界限的额外训练损失来学习扩散模型自动处理噪声的方差。异常检测的去噪模型利用生成式扩散模型逐渐去噪和重建图像，利用像素级和特征级分数计算异常分数以提高异常检测准确性。异常检测方法在像素空间和特征空间结合的分布方法中考虑了

TransFusion模型基于ResUNet架构，包含三个预测头：异常外观、异常掩模和正常外观。训练过程涉及合成异常和掩模，并针对每个预测头使用特定损失函数。

LafitE方法涉及使用线性组合将查询样本的每个特征切片与其核心集合MC中的其前K个最近邻进行编辑。编辑后的特征切片表示为e(i,j)，编辑后的整个特征张量表示为e。最近邻的加权项有助于将MC中存储的相似但不同的正常模式的信息整合在一起，确保编辑特征的分布不会偏离正常数据流形太远。然后，在编辑后的特征张量e上进行扩散重构，事先排除异常信息以解决身份快捷问题。通过计算去噪特征张量x0rec与原始特征张量x0之间的L2范数重构误差，然后进行上采样和高斯核平滑，以获得用于异常定位的图像级分数图进行异常估计。

语义引导网络（SG网络）：提出了SG网络，用于在保留原始图像语义信息的同时重建异常区域。该网络通过引入语义引导机制，解决了现有扩散模型（如LDM）在多类别异常检测中的语义信息丢失问题。空间感知特征融合块（SFF块）：引入了SFF块，以在处理大量重建区域时最大限度地提高重建精度。SFF块通过整合不同尺度的特征，实现了对原始正常样本信息的保留和大规模异常区域的重建。多尺度特征提取与异常评分：使用预训练的特征提取器对输入图像和重建图像进行处理，根据不同尺度提取的特征生成异常图。通过计算重建图像和输入图像

1） 动态步长计算 （DYNAMIC IMPLICIT CONDITIONING DIC）2）异常特征图构建（ ANOMALY SCORING AND MAP CONSTRUCTION）3）微调机制（DOMAIN ADAPTATION）

自适应去噪步长- Adaptive Denoising Step(ADS)异常导向训练范式 Anomaly-oriented Training Paradigm (ATP)空间自适应特征融合-Spatial-Adaptive Feature Fusion (SAFF)