[论文解读] A Survey on Diffusion Models for Anomaly Detection

Jing Liu, Zhenchao Ma+8 more|ArXiv.org|Jan 20, 2025

Anomaly Detection Techniques and Applications被引用 3

一句话总结

一篇全面的综述，系统地对扩散模型在异常检测中的应用（DMAD）进行分类，涵盖架构、方法学、数据模态、挑战与未来方向。

ABSTRACT

Diffusion models (DMs) have emerged as a powerful class of generative AI models, showing remarkable potential in anomaly detection (AD) tasks across various domains, such as cybersecurity, fraud detection, healthcare, and manufacturing. The intersection of these two fields, termed diffusion models for anomaly detection (DMAD), offers promising solutions for identifying deviations in increasingly complex and high-dimensional data. In this survey, we review recent advances in DMAD research. We begin by presenting the fundamental concepts of AD and DMs, followed by a comprehensive analysis of classic DM architectures including DDPMs, DDIMs, and Score SDEs. We further categorize existing DMAD methods into reconstruction-based, density-based, and hybrid approaches, providing detailed examinations of their methodological innovations. We also explore the diverse tasks across different data modalities, encompassing image, time series, video, and multimodal data analysis. Furthermore, we discuss critical challenges and emerging research directions, including computational efficiency, model interpretability, robustness enhancement, edge-cloud collaboration, and integration with large language models. The collection of DMAD research papers and resources is available at https://github.com/fdjingliu/DMAD.

研究动机与目标

• 介绍异常检测和扩散模型的基本概念。
• 提供DMAD方法的系统分类（基于重建、基于概率密度、混合）。
• 在图像、时间序列、视频和多模态数据上调研DMAD。
• 讨论挑战（计算成本、可解释性、鲁棒性）和未来研究方向。
• 提供资源、数据集和基准以指导DMAD研究。

提出的方法

• 将DMAD分为基于重建、基于密度和混合方法的分类。
• 将DDPMs、DDIMs和Score SDEs作为核心DM架构进行综述。
• 描述基于重建的AD变体（基础、潜在空间、条件）。
• 使用分数函数和扩散时间估计来解释基于密度的方法。
• 讨论将扩散模型与其他AD技术相结合的混合方法。
• 总结DMAD在IAD、TSAD、VAD、MAD上的性能和数据集。

实验结果

研究问题

• RQ1 主要的DMAD方法有哪些？在基于重建、基于密度、混合方法之间有何差异？
• RQ2 DMAD在不同数据模态（图像、时间序列、视频、多模态）上的表现如何？
• RQ3 扩散模型在异常检测中面临的关键挑战与未来方向是什么？
• RQ4 有哪些资源（数据集、实现）可用于基准测试DMAD方法？

主要发现

• DMAD通过利用基于扩散的生成建模来学习正常数据分布，提供了对异常检测的统一视角。
• 基于重建的方法通过重建误差或潜在空间表示来检测异常，而基于密度的方法则使用分数函数和扩散时间估计作为异常分数。
• 混合方法将扩散模型与其他AD技术结合，以提高性能和鲁棒性。
• 研究发现的关键挑战包括计算成本、可解释性、对对抗扰动的鲁棒性以及边缘-云部署等问题。
• 提供一个经过筛选的数据集、实现和评估指标的集合，帮助研究人员在DMAD领域开展工作。