FusionDiff：一种基于双路径扩散技术的陶瓷微观结构少样本真实性分析框架

《Scientific Reports》：FusionDiff: a dual-path diffusion-based framework for few-shot authenticity analysis of ceramic microstructures

　　

摘要

陶瓷部件的真实性与其微观结构密切相关，因此自动且精确的识别对于质量控制而言至关重要。然而，这一任务往往因标记样本的稀缺而受到限制。本研究探讨了大规模预训练扩散模型作为特征提取器的潜力，利用其生成过程中蕴含的丰富视觉先验，为小样本学习提供坚实的语义基础。为克服传统U-Net在全局特征表示方面的局限性以及DeiT对局部细节敏感度较低的问题，我们提出了双路径融合编码器FusionDiff。在冻结的Stable Diffusion V1.4框架下，CNN路径与经过适配器优化的DeiT路径并行运行，并通过特征门控实现深度整合。采用“自监督预训练+有监督微调”的方法，最终使用随机森林分类器进行分类。在我们的定制陶瓷数据集上，FusionDiff的测试准确率达到了99.07%，在统一的自监督评估标准下，其性能优于SD-CNN（97.44%）、DeiT（96.30%）和ResNet50（97.00%）。即使在极少量样本的情况下（\(n = 50\)），该模型的验证准确率仍可达90.7%，展现出出色的数据效率与跨领域泛化能力。