Adversarial Denoising Diffusion Model for Unsupervised Anomaly Detection

要約

この論文では、敵対的ノイズ除去拡散モデル (ADDM) を提案します。
ADDM はノイズ除去拡散確率モデル (DDPM) に基づいていますが、敵対的学習によって補完的にトレーニングされます。
提案された敵対的学習は、モデルベースのノイズ除去されたサンプルと、ランダムなガウス ノイズが特定のサンプリング ステップに追加されたサンプルを分類することによって実現されます。
データ サンプルに対する明示的な敵対的学習の追加により、ADDM はトレーニング中にデータのセマンティック特性をより堅牢に学習でき、DDPM よりもはるかに少ないサンプリング ステップで同様のデータ サンプリング パフォーマンスを実現します。
ADDM を教師なし MRI 画像の異常検出に適用します。
実験結果は、提案された ADDM が既存の生成モデルベースの教師なし異常検出方法よりも優れたパフォーマンスを発揮したことを示しています。
特に、他の DDPM ベースの異常検出方法と比較して、提案された ADDM は、同じ数のサンプリング ステップでも優れたパフォーマンスを示し、50% 少ないサンプリング ステップでも同様のパフォーマンスを示します。

要約(オリジナル)

In this paper, we propose the Adversarial Denoising Diffusion Model (ADDM). The ADDM is based on the Denoising Diffusion Probabilistic Model (DDPM) but complementarily trained by adversarial learning. The proposed adversarial learning is achieved by classifying model-based denoised samples and samples to which random Gaussian noise is added to a specific sampling step. With the addition of explicit adversarial learning on data samples, ADDM can learn the semantic characteristics of the data more robustly during training, which achieves a similar data sampling performance with much fewer sampling steps than DDPM. We apply ADDM to anomaly detection in unsupervised MRI images. Experimental results show that the proposed ADDM outperformed existing generative model-based unsupervised anomaly detection methods. In particular, compared to other DDPM-based anomaly detection methods, the proposed ADDM shows better performance with the same number of sampling steps and similar performance with 50% fewer sampling steps.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google