摘要
基于重建的传统方法在异常检测任务中一直难以取得具有竞争力的性能。本文提出了一种新型的去噪扩散异常检测方法——去噪扩散异常检测（Denoising Diffusion Anomaly Detection, DDAD），该方法基于目标图像进行图像重建的去噪过程，确保重建结果在语义上与目标图像高度一致，具有良好的结构连贯性。我们的异常检测框架采用条件建模机制，将目标图像作为输入，引导去噪过程，从而实现无缺陷的重建，同时保留正常样本的固有模式。随后，通过输入图像与重建图像之间的像素级和特征级对比，实现对异常区域的精确定位。为进一步提升特征级对比的有效性，我们引入了一种领域自适应方法，利用条件去噪过程中生成的几乎相同的样本，对预训练的特征提取器进行微调。在多个基准数据集（包括MVTec和VisA）上的实验验证了DDAD的有效性，分别在图像级AUROC指标上取得了99.8%和98.9%的当前最优性能。