[論文レビュー] DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection

Hui Zhang, Zheng Wang+3 more|arXiv (Cornell University)|Mar 15, 2023

Anomaly Detection Techniques and Applications被引用数 22

ひとこと要約

DiffusionADは、ノルム指向のワンステップデノイジング拡散フレームワークを、再構成サブネットワークとセグメンテーションサブネットワークと共に導入し、最先端の教師なし異常検知と局在を実現します。推論を大幅に高速化しつつ品質を犠牲にしません。

ABSTRACT

Anomaly detection has garnered extensive applications in real industrial manufacturing due to its remarkable effectiveness and efficiency. However, previous generative-based models have been limited by suboptimal reconstruction quality, hampering their overall performance. We introduce DiffusionAD, a novel anomaly detection pipeline comprising a reconstruction sub-network and a segmentation sub-network. A fundamental enhancement lies in our reformulation of the reconstruction process using a diffusion model into a noise-to-norm paradigm. Here, the anomalous region loses its distinctive features after being disturbed by Gaussian noise and is subsequently reconstructed into an anomaly-free one. Afterward, the segmentation sub-network predicts pixel-level anomaly scores based on the similarities and discrepancies between the input image and its anomaly-free reconstruction. Additionally, given the substantial decrease in inference speed due to the iterative denoising nature of diffusion models, we revisit the denoising process and introduce a rapid one-step denoising paradigm. This paradigm achieves hundreds of times acceleration while preserving comparable reconstruction quality. Furthermore, considering the diversity in the manifestation of anomalies, we propose a norm-guided paradigm to integrate the benefits of multiple noise scales, enhancing the fidelity of reconstructions. Comprehensive evaluations on four standard and challenging benchmarks reveal that DiffusionAD outperforms current state-of-the-art approaches and achieves comparable inference speed, demonstrating the effectiveness and broad applicability of the proposed pipeline. Code is released at https://github.com/HuiZhang0812/DiffusionAD

研究の動機と目的

• 限られた異常データしかない産業現場で、頑健な異常検知を動機づける。
• 異常なしの復元を可能にするため、ノイズ-to-norm拡散パラダイムを用いて再構成を再定式化する。
• リアルタイム推論ニーズを満たすための高速なワンステップデノイジング方式を開発する。
• ノルム指向のメカニズムを組み込み、異常タイプを問わず再構成品質を向上させる。
• 再構成とピクセルレベルのセグメンテーションを組み合わせて、正確な異常マップを作成する。

提案手法

• 拡散モデルを用いて入力をガウスノイズで撹乱し、正規の外観へ再構成する（ノイズ-to-normパラダイム）。
• ノイズ入力から直接再構成を予測するワンステップデノイジングプロセスを導入し、推論を大幅に高速化する。
• 異なるノイズスケールからの再構成を組み合わせるノルム指向戦略を提案し、品質を向上させる。
• 元画像とその再構成を取り込み、ピクセルレベルの異常スコアを予測するセグメンテーションサブネットワークを採用する。
• 拡散デノイジング目的とセグメンテーションマスクを結合した損失で共同訓練する。
• オンラインで擬似異常を合成し、教師なし訓練と堅牢なセグメーションを支援する。

実験結果

リサーチクエスチョン

• RQ1 拡散ベースのノイズ→ノーム再構成は、従来のオートエンコーダベース手法と比較して異常なしの復元を改善できるか。
• RQ2 ワンステップデノイジング手法は、リアルタイム推論を提供しつつ再構成品質を維持できるか。
• RQ3 ノルム指向のマルチスケール denoising 戦略は、さまざまな異常タイプで再構成忠実度をさらに高めるか。
• RQ4 入力と再構成を用いて異常を局在化するピクセルレベルのセグメンテーションネットワークの有効性はどれくらいか。
• RQ5 オンラインで合成された合成異常は、多様なデータセットに跨る堅牢な教師なし訓練を可能にするか。

主な発見

• DiffusionADは、異常検知と局在のための複数のベンチマークで最先端の性能を達成する（この要約には未指定）。
• ワンステップデノイジングパラダイムは、反復拡散と比較して再構成品質を維持しつつ推論を大幅に高速化し、推定は何百倍速くなる。
• ノルム指向デノイジングは、異なるノイズスケールからの情報を活用することで再構成性能を向上させる。
• 共同訓練された再構成とセグメンテーションネットワークは、正確なピクセル単位の異常マップを生み出す。
• 定性的な結果は、異常領域の異常なし復元と正確な局在化が、従来手法を上回ることを示している。