TransFusion — A Transparency-Based Diffusion Model for Anomaly Detection

要約

表面の異常検出は製造検査において重要な要素です。
再構成的異常検出方法は、理想的には異常領域のみを変更して、オブジェクトの正常な外観を復元します。
一般的に使用される再構築アーキテクチャの制限により、生成される再構築は多くの場合貧弱で、異常がまだ含まれているか、異常のない領域の詳細が欠けています。
最近の再構成手法では拡散モデルが採用されていますが、標準的な拡散プロセスでは問題が十分に解決されていません。
我々は、異常領域の透明度を段階的に高め、正常な外観を正確に復元し、細部を失うことなく異常のない領域の外観を維持する、新しい透明度ベースの拡散プロセスを提案します。
我々は、提案した拡散プロセスを実装し、下流での正確な異常検出を可能にする識別的異常検出手法である TRANSparency DifFUSION (TransFusion) を提案します。
TransFusion は、VisA と MVTec AD データセットの両方で、画像レベルの AUROC がそれぞれ 98.5% と 99.2% という最先端のパフォーマンスを実現します。

要約(オリジナル)

Surface anomaly detection is a vital component in manufacturing inspection. Reconstructive anomaly detection methods restore the normal appearance of an object, ideally modifying only the anomalous regions. Due to the limitations of commonly used reconstruction architectures, the produced reconstructions are often poor and either still contain anomalies or lack details in anomaly-free regions. Recent reconstructive methods adopt diffusion models, however with the standard diffusion process the problems are not adequately addressed. We propose a novel transparency-based diffusion process, where the transparency of anomalous regions is progressively increased, restoring their normal appearance accurately and maintaining the appearance of anomaly-free regions without loss of detail. We propose TRANSparency DifFUSION (TransFusion), a discriminative anomaly detection method that implements the proposed diffusion process, enabling accurate downstream anomaly detection. TransFusion achieves state-of-the-art performance on both the VisA and the MVTec AD datasets, with an image-level AUROC of 98.5% and 99.2%, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google