在图像分组上利用扩散模型进行无监督的分布外检测

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 机器学习模型的可靠性受到OOD数据的挑战.
• 图像被假设存在于由色彩,位置和形状等隐藏性质定义的多元体上.

研究的目的:

• 提出一种基于扩散模型的新方法,用于在图像中强大的OOD检测.
• 为了利用多重假设来区分域内图像和OOD图像.

主要方法:

• 在域内图像上训练一个扩散模型.
• 采用掩盖过程将图像从它们的原始分组中提升.
• 使用扩散模型将提升图像映射到域内分流体.
• 通过测量原始和映射图像之间的距离来量化OOD检测.

主要成果:

• 提出的方法在不同的数据集中表现出强大而一致的性能,颜色,语义和分辨率各不相同.
• 实现了对OD图像的有效检测,证实了该方法的多功能性.
• 废弃性研究验证了个别框架组件的重要性.

结论:

• 扩散模型方法为图像分析中的OOD检测提供了一个有效的策略.
• 该方法能够处理各种图像特征,这突显了其实际适用性.
• 这项工作有助于提高机器学习模型在现实场景中的可靠性.