使用对抗自编码器实现图像中的稳健异常检测

Jan, 2019

使用对抗自编码器实现图像中的稳健异常检测

Robust Anomaly Detection in Images using Adversarial Autoencoders

Laura Beggel, Michael Pfeiffer, Bernd Bischl

TL;DR研究了一种基于自编码器的图像异常检测方法，发现传统方法在训练时存在离群点时导致异常检测性能降低的问题，使用对抗自编码器引入先验分布可以较好地克服该问题。

Abstract

Reliably detecting anomalies in a given set of images is a task of high practical relevance for visual quality inspection, surveillance, or medical image analysis. autoencoder neural networks learn to reconstruct normal images, and hence can classify those images as anomalies, where th

anomaly detection autoencoder neural networks adversarial autoencoder architecture outliers latent representation

发现论文，激发创造

通过对潜空间进行对抗性学习扰动进行异常检测

本文提出了一种对抗框架，由 Adversarial Distorter 和 Autoencoder 两个部分组成，利用编码器的隐层特征空间中的扰动提高异常检测中对特征的语义表示，实现了对图像和视频数据集上的异常检测的最新性能的提升。

Jul, 2022

基于重构误差的少量异常样本检测

探索如何使基于重构误差的神经网络模型在发现异常值时可以将已知的异常值排除在正常数据的范畴之外，并利用一些有限的异常数据来增加正常数据和异常数据之间的差异以提高异常检测的性能。

May, 2023

通过对抗性双自编码器实现异常检测

介绍了一种基于 GAN 的异常检测框架 - Adversarial Dual Autoencoders (ADAE)，由两个自编码器作为生成器和判别器以提高训练稳定性，利用判别器重建误差作为异常得分以获得更好的检测性能。在不同复杂度的数据集上进行的实验表明，该模型具有良好的鲁棒性，可用于不同场景中，其中之一是脑肿瘤检测。

Feb, 2019

基于理论的重新思考自编码器在医学异常检测中的应用

利用信息理论揭示了基于自动编码器的重建方法在异常检测中的原理和设计理念，并验证了通过最小化潜在向量的信息熵来提高自动编码器在异常检测中的效果。

Mar, 2024

使用卷积自动编码器防御对抗性攻击

基于卷积自编码器的方法提高目标分类器对抗性攻击的鲁棒性，通过生成与输入图像相似的图像来恢复模型的准确性。

Dec, 2023

利用自编码器的弱点生成伪异常数据

通过利用自编码器学习的自适应噪声产生伪异常数据，以增强自编码器在异常检测中的判别能力。

May, 2024

使用对抗自编码神经网络探测潜空间中的会计异常

本研究提出了使用对抗自编码网络来检测会计数据中的欺诈行为，该方法可以学习到现实世界会计分录的语义表示，从而提高了检测方法的可解释性和准确性。实验证明该方法的有效性。