总结异常检测的创新点

文章名	A Multi-Head Reconstruction Network For Image Anomaly Detection	Reconstruction from edge image combined with color and gradient difference for industrial surface anomaly detection	DRÆM – A discriminatively trained reconstruction embedding for surface anomaly detection
发布日期	2023	2022-10-26	2021-8-17
收录期刊	IEEE会议论文
传统方法	传统的重建方法 1.训练自动编码器或生成模型来重建正常样本的图像。 2.通过比较原始图像和重建图像来检测异常。 3.使用像素级的距离度量（如L2距离或结构相似性SSIM）来评估重建误差。	传统的重建方法	传统重建方法
针对存在问题的创新点	解决的问题： 传统重建方法无法识别输入中的潜在异常特征 创新点：MRN的不同头接收不同角度旋转的输入图像并重建这些图像 作用： 增加输入特征并利用添加特征之间的差异来增强模型检测异常的能力	解决的问题：  传统重建方法难以控制模型泛化能力的边界 创新点：  提出从灰度边缘重建RGB图像的方法。通过UNet型去噪自编码器和跳跃连接来重建图像。 去噪设计可以防止模型直接复制原始的高频组件。 作用： 这样可以保留原始图像中的高频信息，并迫使网络记忆正常区域的低频和颜色信息。	解决的问题：  传统方法在检测与正常样本外观差异小的异常时的困难 通过联合学习和直接异常定位，提高了异常检测的准确性和效率。 创新点： 1. 在重建子网络上加入判别子网络，进行端到端训练 2. 判别子网络学习重建图像和原始图像之间的差异，以及正常与异常样本之间的决策边界。 3. 不仅重建图像，还学习异常图像和其无异常重建的联合表示。 4. 直接输出异常定位图
	解决的问题： 以往的注意力机制关注像素级、通道级或块级特征，这些可能无法充分利用图像的整体信息来检测异常。 创新点： MFA模块通过在不同角度重建的图像特征之间进行投影和整合，关注图像级特征 作用： 更有效地提取和整合图像特征。	解决的问题：  直接使用像素级的L2距离比较可能会在重建过程中造成正常区域的退化，导致误报 创新点：  提出结合颜色和梯度差异的异常评估函数。  颜色评估函数在CIELAB颜色空间中评估颜色差异，而结构差异评估则利用多尺度梯度幅度相似性（MSGMS） 作用：  有效检测颜色异常，并且对光照变化不敏感