摘要
生成模型已被证明在异常检测中具有强大的能力，其通过学习健康或正常参考数据的分布，可作为后续异常评分的基准。本文研究了去噪扩散概率模型（Denoising Diffusion Probabilistic Models, DDPMs）在无监督异常检测中的应用。相较于生成对抗网络（GANs），DDPMs具有更优的模式覆盖能力；与变分自编码器（VAEs）相比，其生成样本质量更高。然而，这一优势是以较差的可扩展性以及较长的采样时间作为代价的，原因在于其依赖于较长的马尔可夫链序列进行采样。我们观察到，在基于重建的异常检测任务中，并不需要完整的马尔可夫链扩散过程。基于此，我们提出了一种新型的局部扩散异常检测策略——AnoDDPM，该方法能够有效扩展至高分辨率图像的异常检测任务。此外，我们还发现传统的高斯扩散过程难以捕捉较大尺度的异常，为此，我们进一步设计了一种多尺度单纯形噪声扩散机制，从而实现对目标异常尺寸的可控建模。实验结果表明，采用单纯形噪声的AnoDDPM在22例T1加权MRI扫描数据（CCBS爱丁堡数据集）上的肿瘤检测任务中，无论是定性还是定量评估均显著优于f-AnoGAN和高斯扩散方法：Sørensen-Dice系数提升25.5%，交并比（IoU）提升17.6%，受试者工作特征曲线下面积（AUC）提升7.4%。