生成图像的质量问题

[TerryMelody]

作者您好，支持您们的工作！想请教一下，生成的异常样本看起来质量并不是很高，比如电缆类，生成样本似乎只是在姿态、颜色或污迹方面有一些变动，并没有出现类似真实缺陷样本的可能的潜在异常模式。同样是无监督的工作，例如论文"Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [AAAI 2024]"，他们的生成结果似乎存在与真实异常更接近的模式。请问这方面应该如何解释呢？感谢您的回复！

[cnulab]

您好！ 我不知道你提出这个问题的意义是什么？ “Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection” 同样是非常优秀的工作，但是我不知道您如何得出“他们的生成结果似乎存在与真实异常更接近的模式”这样的结论？

[TerryMelody]

您好，感谢您的回复！非常抱歉，我的问题没有阐述清楚。在您提供的生成样本中，例如zipper，似乎主要是齿轮的周围背景产生白色噪点，相比于上图中齿轮顺序的杂乱样式，后者看起来更接近测试集中"teeth“相关的缺陷。类似的，metal_nut类您主要生成圆形类，上图中在螺母周围生成了不同数量的凸起，似乎保留了更多原螺母的信息。上图中的cable类，外形形变的生成异常相比整张图像充斥噪点斑样，感觉更真实和直观。或者说，在您论文中提出的”Strength-controllable Diffusion Anomaly Synthesis“模块，有可能潜在地生成上图的异常模式吗？由于我没有在两篇文章的生成数据上用FID等生成指标进行定量比较，非常抱歉我的感受主观性较强。请您批评指正，再次感谢您的回复！

[cnulab]

您好！ Strength-controllable Diffusion Anomaly Synthesis在概率空间中采样，理论上当然是可以覆盖任何真实的异常模式，但是也正是因为在概率空间中随机采样，也可能生成一些低质量的异常样本，这也是本文的一个潜在的改进方向。我认为异常合成（尤其是无监督设置下的异常合成）是一个非常有挑战的研究方向，需要进一步发展与研究。本文和“Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection” 都为该研究方向提供了独特且有见解的解决方案，都是优秀的工作，不能仅依靠几张生成的样本就评价孰优孰劣。 如果你有其他问题，欢迎进一步讨论。

[TerryMelody]

您好！ Strength-controllable Diffusion Anomaly Synthesis在概率空间中采样，理论上当然是可以覆盖任何真实的异常模式，但是也正是因为在概率空间中随机采样，也可能生成一些低质量的异常样本，这也是本文的一个潜在的改进方向。我认为异常合成（尤其是无监督设置下的异常合成）是一个非常有挑战的研究方向，需要进一步发展与研究。本文和“Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection” 都为该研究方向提供了独特且有见解的解决方案，都是优秀的工作，不能仅依靠几张生成的样本就评价孰优孰劣。 如果你有其他问题，欢迎进一步讨论。

非常感谢您及时的回复！祝您工作顺利！