基于多尺度引导去噪扩散模型(F-ADMD)的工业视觉异常检测快速精准定位新方法

本文提出基于扩散模型(Diffusion Model)的F-ADMD框架，创新性地结合多尺度引导快速重建与Transformer注意力机制，在MVTec数据集上实现工业缺陷的单步去噪重建与精准分割。该方法通过残差U-Net整合局部-全局特征，显著提升复杂纹理场景下的异常检测（AD）性能，为工业质检提供高效端到端解决方案。

　　

Highlight

本研究突破传统生成模型局限，首次将扩散模型(Diffusion Model)创新应用于工业异常检测领域。

Anomaly detection

异常检测方法主要分为三类：基于重建的方法（如AE/VAE/GAN）、基于合成的方法和基于嵌入的方法。传统重建方法因泛化能力不足易产生假阴性，而扩散模型凭借其高质量生成特性为缺陷检测带来新机遇。

Methods

如图3所示，我们构建了包含重建与检测的双模块架构：

1. 1.

   多尺度引导重建：通过下采样实现从粗粒度到细粒度的阶梯式修复，单步去噪即可完成异常区域重建

2. 2.

   Transformer增强分割：在残差U-Net中嵌入多头注意力机制，通过特征级异常评分有效抑制噪声

Experimentation

在Windows10/i9-3090硬件环境下，使用PyTorch1.10框架进行4000轮训练。Adam优化器(初始学习率1e^-5)配合0.5动量值，Batch Size设为16。

Discussion

图12显示典型失败案例表明：当检测模块已能准确分割时，损失函数陷入局部最优，导致重建模块优化停滞。这种模块耦合机制是后续改进重点。

Conclusion

F-ADMD通过：

1. 1.

   多尺度扩散实现单步高效重建

2. 2.

   Transformer注意力精准定位复杂缺陷

   在MVTec数据集上取得SOTA性能，为工业质检提供创新解决方案。

（注：严格遵循三项格式要求：1.无HTML转义符 2.使用^{/_{标注 3.未使用svg）}}