OCR-GAN(Omni-frequency Channel-selection Representations for Unsupervised Anomaly Detection)-无监督异常检测

这篇论文中，作者他们提出了一种全频重建的异常检测框架，是无监督异常检测

这张图是它的一个整体网络结构，是一个基于对抗式的网络，里面主要部分就是FD模和CS模块
他们的方法源于频率解耦思想，该思想包含有多个生成器以重建全频率图像，然后与鉴别器交替训练
然后FD模块用来将图像I解耦成全频图像，CS模块通过在编码器之间自适应地选择信道来实现全频交互

FD模块包含有三个过程，首先使用高斯核对原始图像I进行卷积以获得中间下采样图，然后再进行上采样以及卷积操作得到一个频率图，然后重复上述操作以获得一组频率图，通过相邻频率图的比较得到一组输入I1、I2、I3。。。

由于经过FD模块得到的输入是相互独立的，但是实际中不同频率之间应该互补，所以作者在这里加入了CS模块，引入了注意力机制，并且举了一个例子，这张图里Fl代表低频特征，Fh代表高频特征，首先将他们相加，经过处理后得到l和h两个注意力向量，然后分别与Fl和Fh相乘得到增强后的F’1和F’2，得到的图像集合输入到不同的生成器中以得到重建图像集合，最后进行融合得到生成图像I

对于鉴别器D来说，在训练阶段有三个输入，分别是原始图像、经过cutpaste修改的图像以及生成器生成的图像

测试阶段对于每个测试图像来说，通过异常评分函数对其进行评分，以区分该图像是否为异常

下边是他们在MVTec上的实验结果，最右边是他们的效果，然后左边是不带cutpaste的，右边是带的，效果总体来看是比较好的
作者还进行了消融实验，证明了他们的每个模块对模型都有贡献

最后是实验效果，作者与其他的重建方法进行了对比，从图上能看出来他们的模型具有更好的细节重构能力，并且在对比图中异常区域更加突出

Lcon损失保证输入图像和生成图像之间的差距尽可能缩小
Ladv损失使生成器尽可能重建图像，鉴别器尽可能区分图像
Late损失对潜在空间中正负图像之间的相似性进行惩罚

参考链接：https://blog.csdn.net/qq_41804812/article/details/124799418