DiAD：一种基于扩散的多类异常检测框架

基于重建的方法在异常检测中取得了显著的成果。近年来流行的扩散模型因其卓越的图像重建能力，激发了研究人员利用其增强异常图像重建的努力。然而，这些方法在更为实际的多类别设置中可能面临与图像类别保持和像素级结构完整性相关的挑战。为了解决上述问题，我们提出了一种用于多类别异常检测的扩散模型基础异常检测（DiAD）框架，该框架包括一个像素空间自动编码器、一个连接到稳定扩散去噪网络的潜在空间语义引导（SG）网络以及一个特征空间预训练特征提取器。首先，提出了SG网络以在重建异常区域的同时保留原始图像的语义信息。其次，引入了空间感知特征融合（SFF）模块，以在处理大面积重建区域时最大化重建精度。最后，输入图像和重建图像通过预训练的特征提取器进行处理，生成基于不同尺度提取特征的异常图。我们在MVTec-AD和VisA数据集上的实验表明了该方法的有效性，其性能超过了现有最先进方法，例如，在多类别MVTec-AD数据集中分别实现了96.8/52.6和97.2/99.0（AUROC/AP）的定位和检测指标。代码将在https://lewandofskee.github.io/projects/diad提供。