DiffusionAD: normenleitende einstufige Rauschentfernungsdiffusion für Anomalieerkennung

Anomalieerkennung hat aufgrund ihrer bemerkenswerten Effektivität und Effizienz umfangreiche Anwendungen in der industriellen Fertigung gefunden. Allerdings waren frühere auf Generativmodellen basierende Ansätze durch eine suboptimale Rekonstruktionsqualität eingeschränkt, was ihre Gesamtleistung beeinträchtigte. Wir stellen DiffusionAD vor, eine neuartige Anomalieerkennungspipeline, die aus einem Rekonstruktions- und einem Segmentierungsunternetzwerk besteht. Ein zentrales Verbesserungselement liegt in unserer Neuausrichtung des Rekonstruktionsprozesses mittels eines Diffusionsmodells in ein Noise-to-Norm-Paradigma. Dabei verliert das anomale Gebiet nach der Störung durch Gaußsches Rauschen seine charakteristischen Merkmale und wird anschließend in ein fehlerfreies Bild rekonstruiert. Anschließend berechnet das Segmentierungsunternetzwerk pixelgenaue Anomalie-Scores basierend auf der Ähnlichkeit und Diskrepanz zwischen dem Eingabebild und seiner fehlerfreien Rekonstruktion. Zudem berücksichtigen wir aufgrund der erheblichen Verlangsamung der Inferenzzeit, die durch die iterativen Entrauschungsprozesse von Diffusionsmodellen verursacht wird, erneut den Entrauschungsprozess und führen ein schnelles Ein-Schritt-Entrauschungs-Paradigma ein. Dieses erreicht eine Beschleunigung um mehrere Hundertfach, während die Rekonstruktionsqualität vergleichbar bleibt. Darüber hinaus, berücksichtigt die Vielfalt der Anomalien in ihrer Erscheinungsform, schlagen wir ein normgesteuertes Paradigma vor, um die Vorteile mehrerer Rauschskalen zu integrieren und die Treue der Rekonstruktionen zu erhöhen. Umfassende Evaluationen an vier etablierten und anspruchsvollen Benchmark-Datensätzen zeigen, dass DiffusionAD die derzeitigen State-of-the-Art-Methoden übertrifft und gleichzeitig eine vergleichbare Inferenzgeschwindigkeit erreicht, was die Wirksamkeit und breite Anwendbarkeit der vorgeschlagenen Pipeline unterstreicht. Der Quellcode ist unter https://github.com/HuiZhang0812/DiffusionAD verfügbar.