weixin_37707670的博客

EfficientAD: Accurate Visual Anomaly Detection at Millisecond-Level Latencies

CutPaste [26] 通过裁剪、旋转和变换正常图像来合成缺陷样本，减少了算法对缺陷样本的依赖，取得了令人满意的效果。Lei 等人 [27] 提出了一种金字塔式的规范化流程，该流程使用体积规范化来保留携带任务相关先验的体积映射，将缺陷建模为与模板的异常偏差，并实现了具有竞争力的定位性能。Batzner 等人 [9] 在工业场景中引入了一种无监督异常检测方法，与以前的方法相比，在图像级检测精度和检测效率方面都取得了重大进展。然而，在像素级异常定位任务中仍然存在严峻的挑战需要解决。

发表在Nature Communications。

感觉效果提升不一定是motivation中的全局和局部效果的结合我的理解。

由于 HQ-SAM 的简单性和训练效率，我们将 HQ-SAM 中的适配器模块集成到 SAM-OIL 中，从而将 SAM 的分割能力转移到漏油检测任务。HQ-SAM 最初是为了提高 SAM 对自然图像中复杂结构的分割精度而开发的，而本研究中使用的 HQ-SAM 旨在提高 SAM 对 SAR 图像中模糊边界的分割能力。• 实验结果表明，SAM-OIL 实现了 69.52% 的 mIoU，超越了现有的漏油检测方法，并且 OMF 和适配器都可以有效提高 SAM-OIL 的准确性。的组合形成新的解码器。

视觉异常检测是计算机视觉领域的一个重要问题，通常被表述为单类分类和分割任务。学生-老师 (S-T) 框架已被证明能够有效解决这一挑战。然而，之前基于 S-T 的研究仅凭经验对正常数据施加约束并融合多层信息。在本研究中，我们提出了一种改进的模型，称为 DeSTSeg，它将预先训练的教师网络、去噪学生编码器-解码器和分割网络集成到一个框架中。首先，为了加强对异常数据的约束，我们引入了一个去噪程序，使学生网络能够学习更稳健的表示。从合成损坏的正常图像中，我们训练学生网络以匹配相同图像的教师网络特征而不会损坏。

基于重建的方法在异常检测方面取得了显著成果。最近流行的扩散模型的卓越图像重建能力引发了研究努力，以利用它们来增强异常图像的重建。问题）尽管如此，这些方法可能会面临与更实际的多类设置中图像类别和像素结构完整性的保存相关的挑战。为了解决上述问题，我们提出了一种基于扩散的异常检测Difusion-based Anomaly Detection (DiAD) 框架，用于多类异常检测，该框架由像素空间自动编码器、与稳定扩散去噪网络连接的潜在空间语义引导 (SG) 网络和特征空间预训练特征提取器组成。

摘要：该论文提出了一个简单且应用友好的网络（称为 SimpleNet）来检测和定位异常。SimpleNet 由四个组件组成：（1）一个预先训练的特征提取器，用于生成局部特征；（2）一个浅层特征适配器，用于将局部特征传输到目标域；（3）一个简单的异常特征生成器，通过向正常特征添加高斯噪声来伪造异常特征；（4）一个二元异常鉴别器，用于区分异常特征和正常特征。在推理过程中，异常特征生成器将被丢弃。我们的方法基于三个原则。首先，将预训练的特征转换为面向目标的特征有助于避免领域偏差。

理解的创新：将中间的连续空间变换，换成了离散的信息传递，或者将单一的离散传递 变成了 多个层级的信息传递。其中不太理解的是其中的最优传输POT的意义？

思路在于训练阶段输入正常样本，图中的Masked Vision encoder 通过掩码训练 重建出 ResNet的多阶段输出，然而在测试阶段Masked Vision encoder 输出正常的重建特征，而ResNet的输出会有缺陷存在。通过这样方式进行定位异常。