CVPR2023:多样性-可测量异常检测

论文题目Diversity-Measurable Anomaly Detection摘要基于重构的异常检测模型通过抑制异常泛化能力来实现其目的，然而，不同的正常模式也因此不能很好地重建。尽管已经通过对样本多样性进行建模来缓解这一问题，但由于不希望传递异常信息，它们存在捷径学习的问题。为了更好地处理这种权衡问题，我们提出了多样性-可测量异常检测(DMAD)框架，以增强重建的多样性，同时避免对异常进行不必要的泛化。为此，我们设计了金字塔变形模块(PDM)，该模块对不同的正态线进行建模，并通过从重建参考到原始输入估计多尺度变形场来测量异常的严重程度。PDM集成了信息压缩模块，从本质上解耦了原型嵌入的变形，使最终的异常评分更加可靠。在监控视频和工业图像上的实验结果表明了该方法的有效性。此外，DMAD在污染数据和异常样正常样本前同样有效。1. 介 ………………………………