异常检测 | CBiGAN（结合GANs和AutoEncoders进行高效的异常检测）

关于<Combining GANs and AutoEncoders for efficient anomaly detectio>论文学习

 

简介 

        标准BiGAN异常检测器的偏移重建，在像素空间中有着较大的距离。CBiGAN中引入的一致性损失解决了这一问题，如图一。

​

图一 

        最近的方法直接采用深度模型在特征空间中上下文映射和建模数据。在此背景下，基于Autoencoders (AEs)或生成对抗网络(GANs)的图像深度生成模型被证明是异常检测的有效方法。这一类中的大多数方法都是基于重构的：从一个给定的样本开始，它们在模型学习的正常数据流形上重构最近的样本，并在一个预定义的空间(例如像素、潜在的或组合)中测量偏差，用来评估异常。基于Autoencoderbased的方法以一种直接的方式实现这个策略：编码器在正常的数据流形中投影给定的样本，而解码器执行重构。然而，基于自动编码器(如ves)的生成模型可以为真实感图像生成模糊重建，通常被GANs所超越；因此，在本异常检测工作中，将注意力集中在GAN-based的方法上。

        在基于GAN的方法中，输入重构提出了一个挑战，因为在标准公式中，没有编码器将样本投射到潜在空间中，并且通常需要花费昂贵的潜在空间优化。基于双向GAN网(Bidirectional GANs, BiGAN)的有效方法是通过共同学习一个编码器来补充解码器(即生成器)并提供所需的投影(如EGBAD)来解决这个问题。然而，重构样本往往是不对齐的：重构目标仅由鉴别器定义，并不能保证编码解码后的样本能精确地重构(见图一)。在本工作中，解决了上述问题，提出了一种新的图像异常检测方法，其中，在BiGAN的编码和解码部分引入一致性约束作为正则化术语。称该模型为CBiGAN，新公式能够提高重建能力相对于BiGAN。

---

背景（BACKGROUND）

A. Generative Adversarial Networks (GAN)

GAN参考:

生成对抗网络GAN 学习笔记_六个核桃Lu的博客-CSDN博客

B. Wasserstein GAN (WGAN)

WGAN参考：

WGAN(wasserstein GAN)_奔跑的林小川的博客-CSDN博客_wgan

C. Bidirectional GANs （BiGAN）

 BiGAN参考：

BigGAN、BiGAN、BigBiGAN简单介绍_梦星魂24的博客-CSDN博客_bigbigan

深度学习-李宏毅GAN学习之InfoGAN，VAE-GAN，BiGAN_王伟王胖胖的博客-CSDN博客

---

 方法（METHOD）

        采用BiGAN作为生成模型，但使用Wassestein距离公式对其进行了实例化; 

        所有这三个模块都被定义为深度神经网络，并通过小批量梯度下降交替优化(一次G和E，一次D)。 损失函数：

        对正常数据进行训练后，异常检测过程是基于重构的：给定一个测试样本x，我们计算E(x)，在模型学习的正常数据流形上找到其最近的潜在表示，然后计算G (E(x))，构建其重构。按照AnoGAN方法，将异常分数A(x)定义为两项的线性组合：

        a)基于像素的L1重构误差 

        b)基于特征的鉴别器误差 

在形式上, 

        不幸的是，对于异常检测来说，BiGAN训练过程对E和G的对齐没有任何约束(即 = G，反之亦然)，这可能会导致正常数据重构样本的误差和错位，从而导致较高的误报率。图1显示了这种现象的一个例子，重构样本相对于输入样本呈现轻微的旋转，这导致了一个错误的高异常分数。为了解决这一问题，我们在E和G上增加了周期一致性正则化项，以促进它们的对齐。在形式上,

新损失函数： 

---

评价

        结果表明，该方法解决了GAN公式中常见的不对中问题，大大提高了BiGAN算法对复杂目标的性能。此外，我们的方案在降低需要单次评估策略的计算成本的同时，与昂贵的最先进的迭代方法性能相当。我们观察到，我们的模型在纹理类型异常检测上特别有效，因为它设置了这类技术的新状态，比使用额外数据的模型表现更好。 

---

总结

        使用深层生成模型和基于重建的方法来处理一类图像异常检测。提出了一种改进的双向GAN模型CBiGAN，该模型在编码器和解码器模块上都具有一致性正则化。CBiGAN模型概括并结合了BiGANs和Autoencoders，以保留前者的建模能力和后者的重构精度。实验结果表明，该方法在保持测试效率的同时，大大提高了双向GAN在纹理和对象类别上的重构能力(从而提高了性能)。      

论文代码：https://github.com/fabiocarrara/cbigan-ad/