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

1. 引入了跳连的策略
2. 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

1. 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。
2. 引入自注意力机制，关注更局代表性的信息。
3. 引入使用基于结构相似性的损失函数。

4、想法

1. 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。
2. 注意多尺度信息。
3. 可以利用注意力机制进一步关注代表性信息。