GLAD : Vers une meilleure reconstruction grâce à des modèles de diffusion adaptatifs global et local pour la détection d'anomalies non supervisée

Les modèles de diffusion ont démontré des performances supérieures sur les tâches de détection d’anomalies non supervisées. En étant entraînés uniquement sur des données normales, ces modèles ont tendance à reconstruire les images de test, auxquelles des bruits ont été ajoutés, en se rapprochant de leurs contreparties normales. Toutefois, ces approches traitent toutes les anomalies potentielles de manière équivalente, ce qui peut entraîner deux problèmes principaux. Du point de vue global, la difficulté de reconstruction varie selon le type d’anomalie présente dans l’image. Ainsi, au lieu d’appliquer un réglage uniforme à tous les échantillons, nous proposons de prédire un pas de débruitage spécifique pour chaque image, en évaluant la différence entre le contenu de l’image et les priori extraits du modèle de diffusion. Du point de vue local, la reconstruction des régions anormales diffère fondamentalement de celle des zones normales au sein de la même image. Théoriquement, le modèle de diffusion prédit un bruit à chaque étape, généralement selon une distribution gaussienne standard. Toutefois, en raison de l’écart entre l’anomalie et sa contrepartie normale potentielle, le bruit prédit dans les régions anormales s’écarte inévitablement de cette distribution gaussienne standard. Pour remédier à cela, nous proposons d’introduire des échantillons anormaux synthétiques lors de l’entraînement, afin de pousser le modèle à dépasser les limitations imposées par la distribution gaussienne standard, et d’adopter un schéma de fusion adaptative des caractéristiques spatiales lors de l’inférence. Grâce à ces modifications, nous proposons un modèle de diffusion adaptatif à la fois au niveau global et local (abréviation : GLAD), qui offre une flexibilité remarquable et permet une reconstruction sans anomalies tout en préservant autant que possible les informations normales. Des expériences étendues ont été menées sur trois jeux de données couramment utilisés pour la détection d’anomalies (MVTec-AD, MPDD et VisA) ainsi que sur un jeu de données de circuits imprimés (PCB-Bank) que nous avons intégré, démontrant ainsi l’efficacité de la méthode proposée.