Dissolving Is Amplifying: Towards Fine-Grained Anomaly Detection

要約

通常、異常な医療データには、多くの場合重要ではあるが重要ではない、細粒度のインスタンス単位の付加的特徴パターン (腫瘍、出血など) が含まれています。
興味深いことに、拡散モデルの顕著な画像生成能力とは別に、拡散モデルは特定の画像の画像の詳細を分解し、一般化された特徴表現をもたらすことがわかりました。
我々はここにDIA、溶解は増幅であり、画像をその特徴の溶解された対応物と対比することによって、きめの細かい画像の特徴を増幅することを提案する。
特に、拡散モデルは、異常検出タスク、特に細粒度の特徴の違いを伴う医療分野で、細粒度の異常パターンを学習するのに役立つセマンティック保存機能ディゾルバーとして機能できることを示しています。
その結果、私たちの方法は、インスタンスレベルの特徴パターンを増幅することを目的とした、新しい細粒度異常検出方法を生み出します。これは、明示的な細粒度異常特徴パターンの事前知識がなくても、医療異常検出の精度を大幅に向上させます。

要約(オリジナル)

Medical anomalous data normally contains fine-grained instance-wise additive feature patterns (e.g. tumor, hemorrhage), that are oftenly critical but insignificant. Interestingly, apart from the remarkable image generation abilities of diffusion models, we observed that diffusion models can dissolve image details for a given image, resulting in generalized feature representations. We hereby propose DIA, dissolving is amplifying, that amplifies fine-grained image features by contrasting an image against its feature dissolved counterpart. In particular, we show that diffusion models can serve as semantic preserving feature dissolvers that help learning fine-grained anomalous patterns for anomaly detection tasks, especially for medical domains with fine-grained feature differences. As a result, our method yields a novel fine-grained anomaly detection method, aims at amplifying instance-level feature patterns, that significantly improves medical anomaly detection accuracy in a large margin without any prior knowledge of explicit fine-grained anomalous feature patterns.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google