InvAD: Inversion-based Reconstruction-Free Anomaly Detection with Diffusion Models

1. Planteamiento del Problema

La detección de anomalías (AD) basada en modelos de difusión ha demostrado un gran éxito al modelar la distribución de datos normales. Sin embargo, los métodos actuales siguen un paradigma de "detección mediante desruido en el espacio RGB" (detection via denoising in RGB space), el cual presenta dos limitaciones fundamentales:

• Sensibilidad a la intensidad del ruido: El rendimiento depende críticamente de la selección manual de la fuerza del ruido. Un ruido demasiado fuerte corrompe regiones normales (falsos positivos), mientras que un ruido demasiado débil no logra reconstruir adecuadamente las anomalías.
• Costo computacional: La reconstrucción precisa requiere múltiples pasos de desruido iterativo (denoising), lo que resulta en una latencia de inferencia muy alta (a menudo < 2 FPS), incompatible con aplicaciones en tiempo real.

Existe una tensión fundamental entre la fidelidad de la reconstrucción y la eficiencia, ya que los métodos existentes intentan reconstruir la imagen original para calcular el error, lo cual es innecesario para la tarea de detección.

2. Metodología: InvAD

Los autores proponen InvAD, un enfoque novedoso basado en la inversión que cambia el paradigma a "detección mediante adición de ruido en el espacio latente" (detection via noising in latent space).

• Reconstrucción Libre (Reconstruction-Free): En lugar de perturbar una imagen y luego desruidarla para reconstruirla, InvAD infiere directamente el estado latente final ($x_T$) correspondiente a una imagen de entrada ($x_0$) trazando la trayectoria de la Ecuación Diferencial Ordinaria de Flujo de Probabilidad (PF-ODE) hacia atrás (inversión).
• Inversión Acelerada: Utilizando una aproximación de Euler sobre la PF-ODE derivada de DDIM (Denoising Diffusion Implicit Models), el método aplica solo pocos pasos de inversión (ej. $S=3$) para "ruidar" la imagen limpia hasta el espacio latente. Esto evita los costosos pasos de desruido iterativos.
• Espacio de Características: El modelo opera en el espacio de características de alto nivel (extraído mediante una red backbone pre-entrenada, como EfficientNet) en lugar del espacio de píxeles. Esto permite capturar semántica de alto nivel y es más robusto a variaciones de bajo nivel.
• Cálculo de la Puntuación de Anomalía:
  • Una vez obtenido el latente $z_T$, se evalúa su desviación respecto a la distribución previa (Gaussian estándar).
  • Para evitar el problema de "puntuación inversa" (donde imágenes normales con ruido alto obtienen puntuaciones altas), se propone un esquema híbrido:
    1. NLL (Negative Log-Likelihood): Basado en la probabilidad bajo la distribución previa.
    2. Diferencia de Normas (Diff): Se calcula la norma euclidiana de los canales para cada píxel y se toma la diferencia entre el valor máximo y mínimo de la imagen. Esto mitiga el impacto de los valores atípicos y se enfoca en la dispersión local de las anomalías.

3. Contribuciones Clave

1. Identificación de Limitaciones: Se señala que las limitaciones de los métodos actuales provienen del paradigma de reconstrucción en espacio RGB, que impone un compromiso innecesario entre precisión y velocidad.
2. Nuevo Paradigma (InvAD): Se introduce un marco de trabajo basado en inversión que elimina la necesidad de reconstrucción. Infiere variables latentes directamente y cuantifica las anomalías midiendo la desviación bajo la distribución previa.
3. Eficiencia y Rendimiento: Se demuestra que la inversión es más simple, rápida y logra un rendimiento de detección superior (SOTA) en comparación con los métodos de reconstrucción convencionales, logrando una aceleración de inferencia de aproximadamente 2x (y mucho más en comparación con otros métodos de difusión) sin necesidad de destilación de difusión.

4. Resultados Experimentales

El modelo fue evaluado en cuatro conjuntos de datos de referencia ampliamente utilizados bajo un escenario no supervisado unificado:

• Conjuntos de Datos: MVTecAD, VisA, MPDD (industriales) y BMAD (médico).
• Rendimiento: InvAD alcanza el estado del arte (SOTA) en métricas de nivel de imagen (AU-ROC) y compite fuertemente en nivel de píxel.
  • En MVTecAD, logra un 99.0% de AU-ROC a nivel de imagen.
• Eficiencia:
  • Logra una velocidad de inferencia de 88.1 FPS en MVTecAD, superando significativamente a métodos anteriores como OmiAD (39.4 FPS) y DiAD (1.5 FPS).
  • Utiliza solo 3 evaluaciones de función (NFE) en comparación con los 10-750 pasos de otros métodos.
• Generalización: El método es "plug-and-play" (conectar y usar). Al integrarse en otros modelos de difusión (como DiAD o MDM), mejora tanto su precisión como su velocidad drásticamente.
• Robustez: El método es insensible a la selección de pasos de perturbación (tuning-free) y funciona bien con diferentes arquitecturas de difusión y backbones.

5. Significado e Impacto

InvAD representa un cambio de paradigma en la detección de anomalías con modelos de difusión. Al demostrar que no es necesario reconstruir la imagen para detectar anomalías, resuelve el cuello de botella de la eficiencia computacional que ha limitado la adopción de modelos de difusión en aplicaciones industriales y médicas en tiempo real.

La capacidad de lograr un rendimiento SOTA con una fracción del tiempo de inferencia (casi 2x más rápido que el siguiente mejor método, y órdenes de magnitud más rápido que los métodos tradicionales de difusión) hace que esta tecnología sea viable para despliegues prácticos donde la latencia es crítica. Además, su diseño libre de reconstrucción simplifica el proceso de inferencia, eliminando la necesidad de ajustar hiperparámetros complejos como la fuerza del ruido o los pasos de tiempo.