文章目录
- 1、GANomaly: Semi-Supervised Anomaly Detection via Adversarial Training
- 模型
- 主要创新
- 2、Skip-GANomaly: Skip Connected and AdversariallyTrained Encoder-Decoder Anomaly Detection
- 模型
- 主要创新点
- 3、Industrial surface defect detection and localization using multi-scale information focusing and enhancement GANomaly
- 模型
- 主要创新点
- 4、想法
1、GANomaly: Semi-Supervised Anomaly Detection via Adversarial Training
2019 ACCV
领域：异常检测
目标：图像输入数据
模型
网络分成三个子网络：
第一个子网络： 自动编码器网络，充当模型的生成器。用来重建图像。
第二个子网络： 一个编码器网络，与第一个编码器网络的架构相同。
第三个子网络： 是鉴别器网络。用来分类为真还是假。
主要创新
提出利用潜在空间的表示来使得重建图像和正常样本的分布差异。
2、Skip-GANomaly: Skip Connected and AdversariallyTrained Encoder-Decoder Anomaly Detection
2019 IJCNN
领域：异常检测
目标：图像输入数据
模型
网络分成两个子网络：
第一个子网络： 编码器和解码器构成的自动编码器，并引入跳连。获得多尺度特征，保留全局和局部特征。
第二个子网络： 是一个鉴别器网络。
主要创新点
- 引入了跳连的策略
- 减少了网络的结构，减少了一个编码器网络，利用鉴别器得到的bottleneck features计算损失。
3、Industrial surface defect detection and localization using multi-scale information focusing and enhancement GANomaly
2024 Expert Systems With Applications
领域：异常检测
目标：图像输入数据
模型
网络分成两个子网络：
第一个子网络： 编码器和解码器构成的自动编码器，并引入跳连和自注意力机制。获得更丰富的上下文信息。
第二个子网络： 是一个鉴别器网络。
损失函数：
消融实验
引入的跳连、自注意力机制以及结构相似性损失均可以提升性能。
主要创新点
- 与上面第二个论文相比，只选择编码器最后一个下采样层进行跳连。
- 引入自注意力机制，关注更局代表性的信息。
- 引入使用基于结构相似性的损失函数。
4、想法
- 可以利用潜在空间中的bottleneck features进行学习，进一步减小数据分布的差异性。
- 注意多尺度信息。
- 可以利用注意力机制进一步关注代表性信息。
