Attribute Restoration Framework for Anomaly Detection 文献阅读

Code(unofficial)

方法

原理： 学习正常的图片，然后擦除一部分属性（比如图像的颜色、方向），并且学会怎么恢复它。那么对于正常图，由于经过训练，就会恢复得好，异常图就会恢复得不好。通过以上这个方法，将重建任务转化为恢复任务（人为创造一个GAP使得他们差距很大）。

原文：
Normal data can be restored properly as the erased attributes and the embedded features by the restoration network matches, which is satisfied through the training process. However, this match is broken when normal data and anomalous data are different regarding to the erased attribute. In this case, anomalous data can not be restored properly and suffers from high restoration errors.

上图中，AEM是属性擦除网络，ARNet是恢复重建网络。因为可能包含多个属性的消除，作者经过一定算法，使得每个消除的属性都具有相同的贡献。

Restoration vs. Reconstruction

通过从正常数据中学到的特征嵌入功能，可能无法正确恢复异常数据的信息，从而导致对异常数据的高异常分数。与重建的不同点：对于多个属性的恢复（比如颜色、方向等），可以通过权重求和等算法，进行error的计算。