Ajout dynamique de bruit dans un modèle de diffusion pour la détection d’anomalies

Les modèles de diffusion ont trouvé des applications précieuses dans la détection d’anomalies en capturant la distribution des données normales et en identifiant les anomalies à travers la reconstruction. Malgré leurs mérites, ils peinent à localiser des anomalies de tailles variées, en particulier les anomalies importantes telles que des composants entièrement manquants. Pour remédier à ce problème, nous proposons un cadre novateur qui améliore la capacité des modèles de diffusion en étendant de trois manières significatives l’approche de conditionnement implicite précédemment introduite par Meng et al. (2022). Premièrement, nous intégrons un calcul dynamique de la taille d’étape, permettant un nombre variable d’étapes de bruitage dans le processus direct, guidé par une prédiction initiale d’anomalie. Deuxièmement, nous démontrons qu’un débruitage effectué sur une entrée uniquement mise à l’échelle, sans ajout de bruit, surpasse le processus de débruitage conventionnel. Troisièmement, nous projetons les images dans un espace latent afin de s’abstraire des détails fins qui perturbent la reconstruction de composants manquants de grande taille. En outre, nous proposons un mécanisme de fine-tuning qui permet au modèle de mieux saisir les subtilités du domaine cible. Notre méthode est rigoureusement évaluée sur des jeux de données emblématiques de détection d’anomalies — VisA, BTAD et MVTec — où elle obtient des performances remarquables. Plus important encore, notre cadre localise efficacement les anomalies quelle que soit leur échelle, marquant une avancée décisive dans la détection d’anomalies basée sur les modèles de diffusion.