（无监督）基于无监督学习的模板缺陷检测方法研究

       本文方法：基于重建

概述：

        深度学习中，对抗生成网络（GAN）和自编码器（AE）在图像修复与图像重建方面效果很强大，可以用于无监督学习，训练GAN网络使其学习无缺陷图像内部的特征。，当模型输入缺陷图像时，GAN模型会修复图像，通过对比修复好的图像与初始图像进行对比，实现缺陷检测。

        步骤：（1）设计图像重构网络模型，基于GAN和VAE的图像重构模型，GAN可以图像去模糊，但在训练时可能会发生崩溃，VAE在编码器下编码生成潜在向量，服从高斯分布同时保留了特征，VAE生成的图像模糊，潜在向量可以很好地还原图像，不会导致训练崩溃。

（2）多模态的无监督木地板检测算法。多模态是指通过高斯金字塔产生了不同分辨率规模的网络输入。

高斯金字塔：

        无监督学习：基于正常样本的学习，使得网络学习到具有正常样本的分布，当输入网络有缺陷的图像时因为网络对缺陷部分不敏感，使得产生和正常样本不一样的结果。现阶段主要方法是AE和GAN。

        GAN：建立重建网络，通过修复样本中的区域，在输入样本和重建样本之间进行比较，检测出准确的缺陷区域。

        GAN通过生成器与判别器的博弈，使得在判别器的判别学习下，生成器能够学到数据的真实分布。生成器（G）的学习目标是使得噪声生成的图像尽可能骗过判别器，判别器的学习目标是区分开生成器生成图像和真实图像，模型训练目标是生成图像可以骗过判别器，判别器无法准确判定输入的生成图像。

         自编码器：常用于异常检测，采用尽可能多的正常样本去学习自编码模型，对于正常样本，因为自编码器学习过很多，故可以很好地完成重建任务，但是对于缺陷样本，因其没见过，所以重建质量不会太好。通过重建误差可以区分出好坏。自编码器容易受到噪声影响，需要给它加上各种约束。

        自编码器是输入一张图像经过编码器生成一组编码，编码的大小通常小于输入图像大小，类似数据降维 ，对数据可以进行线性和非线性降维，与PCA对比如下：

         变分是一种概率图模型。

文章设计的模型：

         编码器学习图像的内在分布，学习到图像分布的均值和标准差，前四层为卷积层，最后一层为全连接层，输出两个结果一个为均值，一个为方差，这两个参数表示图像的潜在分布。

        生成器又称作解码器，第一个看作解码器的输入，从上面两个参数分布中进行随机采样得到隐变量，第二个输入是随机生成1024维向量，也就是GAN的生成器输入。

        判别器，又称分类器，对生成器生成的图像和真实图像进行区分真实图像为1 ，生成器图像为0，输入包含三部分xz,xr,x。 

损失函数：三部分组成

 编码器的损失函数：

 第一个参数表示重建误差，为了让生成图像更接近真实图像，比较常用的有L1损失函数、L2损失函数；第二个参数相当于正则化项。

生成器的损失函数：

 判别器的损失函数：

 模型训练完后，好品与坏品的重建图

 

多尺度：