一种基于持续扩散模型的异常检测方法技术

本发明专利技术公开了一种基于持续扩散模型的异常检测方法，其特点是该方法利用了梯度投影理论克服了扩散模型在持续异常检测任务中的“灾难性遗忘”和“忠实性幻觉”问题，同时提出了迭代奇异值分解技术将梯度投影的内存开销节省了90%以上。提出了异常掩码网络，使扩散模型对图像进行重构时更加关注图像的异常区域，从而提升模型对异常位置的感知和检测。持续异常检测任务具体包括：数据集的收集与处理、通过扩散模型对图像异常部位进行重构、将重构后的图像与原始输入图像做像素级距离度量，根据度量差异进行异常检测与定位等步骤。本发明专利技术可以更好的适应检测物体类别的变化，大大增强了模型在动态变化的工业场景下的鲁邦性检。

【技术实现步骤摘要】

本专利技术涉及持续工业异常检测，尤其是一种基于持续扩散模型的异常检测方法。

技术介绍

1、异常检测（anomaly detection, ad）在医疗和工业领域都有广泛的应用。传统方法通常采用一对一的范式，为特定类别或一种工业产品训练一个定制模型。一对一模式严重限制了模型的泛化能力。相反，一对多的范式提出，训练一个单一模型可以在所有类别中执行异常检测。然而，在现实场景中，模式增量是不可预测的，需要模型具备持续学习的能力，称之为持续异常检测范式。

2、扩散模型（dif fusion model, dm）在异常检测中被广泛使用。当前基于dm的方法通过图像到图像机制生成条件于异常图像的正常图像。扩散模型的输入与输出之间的差异被用作异常检测的分数，这需要扩散模型重建输入图像中的异常区域。然而，图像到图像的扩散模型在持续生成多样化样本时会遭受“灾难性遗忘”。以controlnet 为例，其在基任务上的性能（mvtec中的10个类别）非常出色，但随着模型在新任务（新类别）上继续训练，性能严重下降。此外，经过最新类别训练的controlnet会遭受“忠实性幻本文档来自技高网...

【技术保护点】

1.一种基于持续扩散模型的异常检测方法，其特征在于，所述方法包括下述具体步骤：

【技术特征摘要】

1.一种基于持续扩散模型的异常检测方法，...

【专利技术属性】
技术研发人员：马利庄，李晓凡，谭鑫，张志忠，陈玉珑，谢源，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：