Marcella Astrid, Muhammad Zaigham Zaheer, Djamila Aouada, Seung-Ik Lee
TL;DR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。
Abstract
Due to the rare occurrence of anomalous events, a typical approach to anomaly
detection is to train an autoencoder (AE) with normal data only so that it
learns the patterns or representations of the normal training data. At test
time, the trained AE is expected to well reconstruct norm
无先验异常检测是具有挑战性的。我们提出了一种新型的分块自编码器（Patch AE）框架，旨在增强自编码器对异常图像的重构能力而不是削弱。通过对学习到的特征表示的空间分布特征向量的相应位置进行重构，即分块重构，确保了自编码器对异常的敏感性。我们的方法简单高效，在 Mvtec AD 基准方面取得了最新的研究成果，证明了我们模型的有效性。它在实际工业应用场景中显示出巨大的潜力。