大家好，今天和大家分享一篇最新的论文 DiffusionDet: Diffusion Model for Object Detection 论文和代码地址已公布
https://arxiv.org/abs/2211.09788
https://github.com/ShoufaChen/DiffusionDet
是的，这个算法和今年最火的 AI 绘画类似，都是基于扩散模型去实现。最近我身边也有一些人在研究这个，可能明年大家又开始沿着这个方向开一堆坑！
所以我们一起来了解一下这篇论文
论文细节
摘要:
本文提出了DiffusionDet，这是一个新的框架，它将目标检测表述为从噪声框到目标框的去噪扩散过程。在训练阶段，目标框从ground-truth boxes扩散到随机分布，模型学习如何逆转这种噪声过程。在推理中，模型以渐进的方式将一组随机生成的框细化为输出结果。对标准基准（包括MS-COCO和LVIS）的广泛评估表明，与之前成熟的检测器相比，DiffusionDet具有良好的性能。我们的工作带来了目标检测方面的两个重要发现。首先，随机框虽然与预定义的锚点或学习查询有很大不同，但也是有效的对象候选。第二，目标检测是代表性的感知任务之一，可以通过生成的方式来解决。
（a）扩散模型：有扩散和逆扩散组成
（b）扩散模型用于图像生成任务
（c）提出将目标检测构造成去噪扩散过程，从噪声框到目标框
在这项工作中，它解决检测任务的方案是通过将图像中边界框的位置（中心坐标）和大小（宽度和高度）转换为空间上的生成任务，利用扩散模型处理对象检测任务。在训练阶段，由方差策略控制的高斯噪声被添加到ground truth框以获得噪声框。然后，使用这些噪声盒从backbone编码器的输出特征图（例如ResNet[34]、Swin Transformer[54]）中裁剪感兴趣区域（RoI）的[33，66]特征。最后，这些RoI特征被发送到检测解码器，该解码器被训练来预测没有噪声的ground truth框。有了这个训练目标，DiffusionDet能够从随机盒子中预测 ground truth boxes。在推断阶段，DiffusionDet通过反转学习的扩散过程来生成边界框，该过程将噪声先验分布调整为边界框上的学习分布。
与之前的目标检测范式相比：
整体框架：
建议将整个模型分成两个部分，图像编码器和检测解码器，其中前者仅运行一次以从原始输入图像x中提取深度特征表示，而后者将此深度特征作为条件，而不是原始图像，以从有噪盒zt中逐步细化盒预测。
伪代码:
实验结果：
总结
在这项工作中，我们提出了一种新的检测范式，即DiffusionDet，通过将对象检测视为从噪声盒到对象盒的去噪扩散过程。我们的噪声到盒管道具有几个吸引人的特性，包括动态盒和渐进式细化，使我们能够使用相同的网络参数来获得所需的速度-精度权衡，而无需重新训练模型。在标准检测基准上的实验表明，与成熟的检测器相比，DiffusionDet实现了良好的性能。
为了进一步探索扩散模型解决对象级识别任务的潜力，未来的几项工作是有益的。一种尝试是将DiffusionDet应用于视频级任务，例如，对象跟踪和动作识别。另一种是将DiffusionDet从封闭世界扩展到开放世界或开放词汇对象检测。
更多细节参考论文原文和代码
最后也希望大家能够多多分享，分享感谢！
