DRAEM【异常检测：Reconstruction-based】

2021.8，ICCV，排名第十（papers with code） 

模型原理

网络三大模块：异常生成模块、重构模块、判断模块。

异常生成模块：因为只有正常数据，通过将异常区域做到正常图里达到模拟异常图的效果。

重构模块：将产生的异常图进行重构得到重构图，可以产生损失Lr。

判断模块：重构图与异常图一同输入，通过该模块的层级结构对比产生分割真值图。

理解为以重建的方法为主体，辅助使用数据增强的及分割图的深入推断（使用了U-Net网络结构）。

Simulated anomaly generation

异常图像由柏林噪声发生器，通过随机均匀采样的阈值二值化后生成。

Reconstructive sub-network

重建子网络：编码器-解码器

假设输入张量A1（输入的为Simulated anomaly generation做的正常改异常后的数据。）

编码器：经过五个块（每个块包含两套卷积，归一化层，激活函数），生成张量A2。        

解码器：经过四个块（每个块包含一个上采样，三套卷积，归一化层，激活函数），再经过一层卷积，生成张量A3。

损失函数：l2损失常用于基于重构的异常检测方法，这种损失是假设像素间是独立的，因此，本文还采用了另一种损失SSIM加强像素间交互性。

Discriminative sub-network 

U-Net结构，将重构好的图像A3与刚开始输入的图像A1一起输入该网络，层级判断对比生成分割图。