买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：哈尔滨工业大学

摘要：基于自适应扩散模型的无监督异常检测方法，属于工业图像异常检测领域。解决了传统无监督异常检测算法存在使用传统训练方式训练扩散模型使得图像重建效果差；且图像重建过程无法自适应添加噪声，导致图像异常检测准确率低的问题。本发明使用正常图像与合成异常图像来训练扩散模型，监督模型优化，增强模型重建能力；使用训练之后的扩散模型对输入待检测图像进行逐步的自适应去噪重建，去噪过程中确定最优去噪步数，针对不同的异常自适应添加不同步数的噪声；最后对重建前后图像进行特征空间对比，得到空间对比异常图及异常分数。本发明主要用于对图像进行异常检测。

主权项：1.基于自适应扩散模型的无监督异常检测方法，其特征在于，该方法包括如下步骤：步骤1、利用各原始正常图像In来合成相应的异常图像Ia，并将各原始正常图像In与其相应的异常图像Ia作为一个样本；步骤2、对各样本进行预处理：对每个样本中异常图像Ia进行编码得到特征图xa，在特征图xa上添加随机步数S的高斯噪声ε，得到添加噪声后的特征图对每个样本中的原始正常图像In进行编码得到特征图x′；在特征图x′上添加随机步数S的高斯噪声ε后与特征图xa进行结合，结合后的结果作为该样本的监督标签数据；步骤3、对扩散模型进行训练：将各样本的添加噪声后的特征图作为扩散模型的输入数据，该样本的监督标签数据作为扩散模型的真值，对扩散模型进行噪声预测训练，得到训练后的扩散模型；步骤4、利用训练后的扩散模型进行自适应去噪实现图像重建：对待检测图像I进行编码得到特征图x，在特征图x上添加固定步数T的高斯噪声ε，得到的添加噪声后的特征图xT输入至训练后的扩散模型中，对添加噪声后的特征图xT进行第一轮逐步噪声预测及去噪，确定最优去噪步数；再利用最优去噪步数下的异常区域定位图与正常区域定位图进行特征合成，得到的合成特征图；对合成特征图添加最优去噪步数下扩散模型所预测出的噪声后，输入至训练后的扩散模型进行第二轮逐步噪声预测及去噪，至噪声去除完成后，再进行解码，获得清晰无异常图像，该清晰无异常图像为重建图像步骤5、对待检测图像I和重建图像进行特征空间对比，得到空间对比异常图；再根据空间对比异常图得到异常分数，从而完成异常检测。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学 基于自适应扩散模型的无监督异常检测方法