Зміст
Коротко
Дифузійні моделі використовують як апriori у задачах відновлення зображень, але погано ловлять тонкий або локальний зсув розподілу — коли «чужий» фрагмент схований усередині кадру. KLIP пропонує метрику на KL-дивергенції між prior і posterior без калібрувального набору «аномалій».
Що вивчали
Класичні OOD-детектори часто потребують знання зсунутого розподілу або працюють лише на цілому зображенні. KLIP оцінює розбіжність розподілів на непрямих вимірюваннях типових inverse problems.
У експериментах метрика знаходить семантично значущі зсуви — наприклад, перехід від здорової печінки на КТ до знімків з пухлинами — і локалізує підозрілі патчі.
Головні висновки
- Не потрібні окремі калібрувальні дані з «чужим» доменом.
- Працює на різних типах дифузійних моделей, датасетів і постановок оберненої задачі.
- Код авторів відкритий на GitHub (voilalab/KLIP).
Що це означає для розробників
- У медичних і промислових пайплайнах відновлення знімків додавайте перевірку домену до інференсу моделі.
- Локалізація аномалії важливіша за бінарний «весь кадр OOD».
- Для MLOps: моніторинг KL-подібних метрик між train і prod-батчами як ранній сигнал data drift.
Обмеження
Фокус — inverse problems і дифузійні priors; перенесення на звичайний табличний ML не описане. Медичні приклади потребують клінічної валідації.