Détection d'anomalies avec des modèles de diffusion débruitants conditionnés

Les méthodes traditionnelles fondées sur la reconstruction ont éprouvé des difficultés à atteindre des performances compétitives dans la détection d’anomalies. Dans cet article, nous introduisons Denoising Diffusion Anomaly Detection (DDAD), un nouveau processus de débruitage pour la reconstruction d’images conditionné par une image cible. Ce mécanisme garantit une restauration cohérente, proche de l’image cible. Notre cadre de détection d’anomalies repose sur un mécanisme de conditionnement, où l’image cible est utilisée comme image d’entrée afin de guider le processus de débruitage, permettant ainsi une reconstruction sans défaut tout en préservant les motifs normaux. Les anomalies sont ensuite localisées par une comparaison pixel par pixel et fonction par fonction entre l’image d’entrée et l’image reconstruite. Enfin, pour améliorer l’efficacité de la comparaison fonctionnelle, nous proposons une méthode d’adaptation de domaine qui utilise des exemples générés presque identiques issus de notre processus de débruitage conditionné afin de fine-tuner un extracteur de caractéristiques pré-entraîné. La validité de DDAD est démontrée sur divers jeux de données, y compris les benchmarks MVTec et VisA, où il atteint des résultats de pointe avec des scores d’AUROC au niveau de l’image respectivement de 99,8 % et 98,9 %.