Buchumschlag

Adversarially Robust Industrial Anomaly Detection Through Diffusion Model

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Cao, Yuanpu, Lin, Lu, Chen, Jinghui
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

AdvI2I: Adversarial Image Attack on Image-to-Image Diffusion models
von: Zeng, Yaopei, et al.
Veröffentlicht: (2024)

Robust Anomaly Detection in Industrial Environments via Meta-Learning
von: Aqeel, Muhammad, et al.
Veröffentlicht: (2025)

PatchGuard: Adversarially Robust Anomaly Detection and Localization through Vision Transformers and Pseudo Anomalies
von: Nafez, Mojtaba, et al.
Veröffentlicht: (2025)

Meta Learning-Driven Iterative Refinement for Robust Anomaly Detection in Industrial Inspection
von: Aqeel, Muhammad, et al.
Veröffentlicht: (2025)

Research on Anomaly Detection Methods Based on Diffusion Models
von: Chen, Yi
Veröffentlicht: (2025)

Rethinking Continual Anomaly Detection on the Edge: Benchmarking Under Realistic Industrial Conditions
von: Weatherly, Chad, et al.
Veröffentlicht: (2026)

Supervised Anomaly Detection for Complex Industrial Images
von: Baitieva, Aimira, et al.
Veröffentlicht: (2024)

Tailored Transformation Invariance for Industrial Anomaly Detection
von: Schönfeld, Mariette, et al.
Veröffentlicht: (2025)

Intriguing Frequency Interpretation of Adversarial Robustness for CNNs and ViTs
von: Chen, Lu, et al.
Veröffentlicht: (2025)

Multi-feature Reconstruction Network using Crossed-mask Restoration for Unsupervised Industrial Anomaly Detection
von: Wang, Junpu, et al.
Veröffentlicht: (2024)

GuardDoor: Safeguarding Against Malicious Diffusion Editing via Protective Backdoors
von: Zeng, Yaopei, et al.
Veröffentlicht: (2025)

Self-Supervised Iterative Refinement for Anomaly Detection in Industrial Quality Control
von: Aqeel, Muhammad, et al.
Veröffentlicht: (2024)

Revisiting Deep Feature Reconstruction for Logical and Structural Industrial Anomaly Detection
von: Patra, Sukanya, et al.
Veröffentlicht: (2024)

Evaluating the Adversarial Robustness of Detection Transformers
von: Nazeri, Amirhossein, et al.
Veröffentlicht: (2024)

Multi-Flow: Multi-View-Enriched Normalizing Flows for Industrial Anomaly Detection
von: Kruse, Mathis, et al.
Veröffentlicht: (2025)

Anomalies by Synthesis: Anomaly Detection using Generative Diffusion Models for Off-Road Navigation
von: Ancha, Siddharth, et al.
Veröffentlicht: (2025)

PUAD: Frustratingly Simple Method for Robust Anomaly Detection
von: Sugawara, Shota, et al.
Veröffentlicht: (2024)

Expanding the Role of Diffusion Models for Robust Classifier Training
von: Huang, Pin-Han, et al.
Veröffentlicht: (2026)

Adversarial Flow Models
von: Lin, Shanchuan, et al.
Veröffentlicht: (2025)

Ensembled Cold-Diffusion Restorations for Unsupervised Anomaly Detection
von: Marimont, Sergio Naval, et al.
Veröffentlicht: (2024)

Continuous Adversarial Flow Models
von: Lin, Shanchuan, et al.
Veröffentlicht: (2026)

CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection
von: Lee, Byeongchan, et al.
Veröffentlicht: (2025)

MEAT: Median-Ensemble Adversarial Training for Improving Robustness and Generalization
von: Hu, Zhaozhe, et al.
Veröffentlicht: (2024)

What is Adversarial Training for Diffusion Models?
von: Rosaria, Briglia Maria, et al.
Veröffentlicht: (2025)

Hierarchical Gaussian Mixture Normalizing Flow Modeling for Unified Anomaly Detection
von: Yao, Xincheng, et al.
Veröffentlicht: (2024)

Enhancing Adversarial Example Detection Through Model Explanation
von: Ma, Qian, et al.
Veröffentlicht: (2025)

AROID: Improving Adversarial Robustness Through Online Instance-Wise Data Augmentation
von: Li, Lin, et al.
Veröffentlicht: (2023)

Harnessing EHRs for Diffusion-based Anomaly Detection on Chest X-rays
von: Kim, Harim, et al.
Veröffentlicht: (2025)

Adversarially Robust Deepfake Detection via Adversarial Feature Similarity Learning
von: Khan, Sarwar
Veröffentlicht: (2024)

Improving Adversarial Energy-Based Model via Diffusion Process
von: Geng, Cong, et al.
Veröffentlicht: (2024)

Improved Diffusion-based Generative Model with Better Adversarial Robustness
von: Wang, Zekun, et al.
Veröffentlicht: (2025)

LogiCode: an LLM-Driven Framework for Logical Anomaly Detection
von: Zhang, Yiheng, et al.
Veröffentlicht: (2024)

Adversarially Robust Out-of-Distribution Detection Using Lyapunov-Stabilized Embeddings
von: Mirzaei, Hossein, et al.
Veröffentlicht: (2024)

DMAD: Dual Memory Bank for Real-World Anomaly Detection
von: Hu, Jianlong, et al.
Veröffentlicht: (2024)

Adversarially Robust CLIP Models Can Induce Better (Robust) Perceptual Metrics
von: Croce, Francesco, et al.
Veröffentlicht: (2025)

Erasing Undesirable Concepts in Diffusion Models with Adversarial Preservation
von: Bui, Anh, et al.
Veröffentlicht: (2024)

Adversarial Robustification via Text-to-Image Diffusion Models
von: Choi, Daewon, et al.
Veröffentlicht: (2024)

3D-CSAD: Untrained 3D Anomaly Detection for Complex Manufacturing Surfaces
von: Cao, Xuanming, et al.
Veröffentlicht: (2024)

Diffusion Models with Ensembled Structure-Based Anomaly Scoring for Unsupervised Anomaly Detection
von: Behrendt, Finn, et al.
Veröffentlicht: (2024)

Hyperspectral Anomaly Detection with Self-Supervised Anomaly Prior
von: Liu, Yidan, et al.
Veröffentlicht: (2024)