[Paper][Code]
本文提出了一种基于双指向性GAN异常检测的方法ALAD,使用对抗学习到的特征的重建误差决定样本是否异常。ALAD建立在确认数据空间和潜在空间的循环一致性损失、稳定的GAN训练上,达到了SOTA。
AnoGAN首先提出了在眼部图像上使用一个标准GAN结构做异常检测的方法,然而在测试阶段,为了找到潜在向量z,该方法需要对每个测试样本解决优化问题,之后通过z计算每个样本的异常分数,因此在实时应用中或应用于大型数据集时实现起来非常不现实。
本文提出的ALAD算法不仅十分有效,而且测试简便,利用一类GAN在训练时同时学习一个编码网络,除此之外还结合了一些现有的技术提升编码网络、稳定GAN训练,通过消融实验显示这些技术确实提高了异常检测的效果。
创新点:
建立在双指向性GAN的结构上,因此也包括一个将数据样本映射到潜在变量的编码网络,避免了昂贵的计算过程,潜在变量在测试时只需要在编码网络中通过一个简单的前向传播就可以获得;
评价指标与AnoGAN不同;
结合最新进展以稳定GAN训练过程。
A. GAN结构