前言

在图像异常检测中，基于重构的方法是一种很自然的思想：构建一个Encoder-Decdoer结构的网络执行重构任务，目标是让模型能够重构好正常样本。那么在测试时，对于正常样本仍然能够正常重构，而异常样本由于分布的差异，导致重构效果较差，从而可以通过像素级的比较得到异常得分，判断一个样本是否为异常。

下面主要介绍近几年在图像异常检测中，一些基于重构思想的工作，不够完善，会持续更新，也欢迎大家在评论区或者私信讨论。

1. 基线 AE/VAE

基于重构的思想最朴素的方法就是AE ( AutoEncoder )和VAE ( Variation AutoEncoder )，也就是自建编码器和变分自编码器。

AE的思想很简单，Encoder提取输入图像的latent code，可以理解为一个在低维空间中的高级语义编码，它与输入图像之间存在映射。而Decoder负责根据latent code进行图像重构，使得重构后的图像与输入尽可能一致。整体过程如下所示：

训练过程中常用的损失函数为像素级的L2 Loss，除此之外，也有工作引入了SSIM这类结构性损失。测试过程，只需要将测试样本输入AE，比较重构后的图像与输入图像之间的差异L2 loss，根据差异确定图像的异常得分。

而VAE本质就是一种生成式的模型，在GAN大火之前，在图像生成领域得到极大的发展，并且VAE也可以用于异常检测。与AE最大的不同是，除了考虑像素级的重构损失之外，VAE还要额外考虑一个KL损失(衡量分布间的差异)。这是因为VAE会引入一个正常样本在隐层空间的先验（通常是认为在隐层空间，数据分布为多维的标准正态分布），同时Encoder输出也不再是简单的latent code，而是会输出mean和std得到一个估计分布，而KL损失就是衡量估计分布和先验分布之间的差异。

关于VAE有更多的理论推导和实现细节，有关内容可以参照VAE:变分自编码的理解与实现这篇博客。

因此，VAE在训练时的目标有两个，一个是重构误差：Decoder得到的重构要尽可能与输入图像一致，另一个是分布误差：正常样本在经过Encoder后的特征满足一个先验分布。测试时通常也是根据重构损失来得到异常得分。

优缺点分析：

• Pros：AE和VAE作为重构方向的基本方法，奠定了未来发展的基础。

• Cons：AE和VAE的核心idea是：通过训练过程中对正常样本进行重构学习，由于没见过这些图像异常形式，导致在测试时异常样本的重构效果较差，从而能达到异常检测的效果。但由于神经网络的泛化性较强，导致异常样本也能达到很好的重构效果，从而使得异常检测准确率不高。并且在一些特殊场景上(比如视频监控)，由于正常样本的多样化，测试时也会有一些正常样本无法得到很好地重构，容易误判。

2. 基于inpainting思想

inpainting的原意是图像修复，而这里主要指的是在重构时，对输入图像的部分区域进行mask覆盖再送入网络中进行复原。完成inpainting这类任务比单纯的重构难度更高，这要求网络能对输入图像的上下文有更好的语义理解，并在一定程度上防止过拟合。

2.1 SMAI (BMVC2020)

论文：Superpixel Masking and Inpainting for Self-Supervised Anomaly Detection （来自西安交大）
原文地址：https://www.bmvc2020-conference.com/assets/papers/0275.pdf

这篇文章是博主最早看到将这种思想引入Anomaly Localization领域的，其训练过程如下所示：首先对输入图像进行超像素分割，随机选取一部分超像素块进行mask，将mask后的图像送入复原网络进行重构。训练loss采用l2或者SSIM。

测试流程如下所示：同样对输入图像进行超像素分割，然后逐一地进行mask，为每个测试图像都构造了一组Masked Image Set，比较网络重构后的块与输入块之间的差异，从而得到Anomaly Map用于异常区域定位(pixel-level)。

优缺点

• Pros：思想新颖，实现简单，相比基线提升了不少性能。
• Cons：超像素块的分割会限制检测的性能以及定位的精度，并且这种逐块的测试时间复杂度较高，不利于现实场景中的应用。

2.2 SCADN (AAAI2021)

论文：Learning Semantic Context from Normal Samples for Unsupervised Anomaly Detection （来自华南理工大学）
原文地址：https://www.aaai.org/AAAI21Papers/AAAI-4221.YanX.pdf

这篇文章的思想和前一篇一致，不太一样的是对输入图像的mask处理方式。网络结构如下所示，训练时对于输入图像，随机采用不同宽度、不同方向的条状mask进行覆盖，送入重构网络中（与一般的网络结构不同，中间几层采用了空洞卷积）进行复原，除了计算像素级的重构损失，模型还引入了对抗学习的方式加了一个判别器损失（帮助网络重构地更好）。

测试时，同样需要对测试建议逐一地构造不同mask情况下的Masked Image Set，进行重构并计算重构损失，最后融合异常得分图作为最终的Anomaly map进行异常定位(pixel-level)，将Anomaly map的结果平均后得到Anomaly Score作为异常检测结果(image-level)。

优缺点：

• Pros：引入了对抗学习的思想，在网络结构上下了一点功夫，mask的划分不依靠超像素方法。此外还提出了一个新的数据集，不过我找不到开源地址(发邮件也没回… …)
• Cons：从性能来看还没有上一篇高，而且同样存在这类方法的固有问题，速度较慢。而且看了上一篇之后，显得创新性没那么够。

2.3 RIAD (PR2021)

论文：Reconstruction by inpainting for visual anomaly detection (卢布尔雅那大学)
原文地址：https://www.sciencedirect.com/science/article/abs/pii/S0031320320305094

网络结构如下，主要包含三个关键技术点：

1. 首先将输入图像划分为许多个大小为k x k的网格，将这些网络随机划分为n个不相交的集合(每个集合包含的像素数量相等)；随后创建n个ones mask，每个mask对应一个集合Si，再将Si中对应的网格像素值置为0，对输入进行覆盖得到n个mask image。
2. 将处理后的n个输入图像送入网络中进行复原，除了标准的encoder-decoder结构，还引入了skip connection提升复原的精确度；值得注意的是，这里只保留了每个masked image复原后的区域。
3. 将不同masked image复原的结果组合起来，就可以得到最后重构结果。将重构结果与输入图像进行对比，即可得到Anomaly Map。值得注意的是这里，这里不是通过计算l2距离来评估差异，而是采用基于梯度强度的多尺度衡量标准(multi-scale gradient magnitude similarity, MSGMS)，这里不详细介绍，有兴趣看原文。

上面按照的是测试的逻辑进行描述的，训练时1，2步一致，loss采用SSIM + L2 + MSGMS三者加权

训练和测试均采用了多尺度：即k值的选取 k = {2, 4, 8, 16}

优缺点：

• Pros：效果很好，方法相比于上一篇更简洁，并且没有太刻意地设计mask，同时提出了一种新的衡量标准与损失策略(MSGMS)，对之后的方法有一定的借鉴意义；
• Cons：基于梯度的评价方法容易受到噪声区域的影响，对于一些表面纹理变化形式多样的类别效果还有待提升。

2.4 InTra (2021)

论文： Inpainting Transformer for Anomaly Detection（富士通科技）
原文地址：https://arxiv.org/pdf/2104.13897.pdf

这篇文章是第一篇把Transformer结构引入异常检测领域的工作，思路与RIAD不太一样。先将输入图像进行分块，但InTra是从中选取一个大小为L x L的窗口，选取中心块进行覆盖，利用窗口内的其他块对其进行重构。基本沿用了ViT的框架：未被Mask的块作为输入token，mask patch当作class token。

针对texture和object两种不同类别，采用了不同的编码形式。

由于这篇文章我之前写过一篇博客专门介绍，这里就不过多阐述了，有兴趣请看用于异常检测的Transformer - InTra。

优缺点：

• Pros：引入了Transformer架构，并且相比于RIAD性能提升了不少。
• Cons：逐块的mask导致训练比较低效，测试时的时间复杂度也会非常高。

3. 基于Memory Bank

这类重构的方法不再是直接根据latent code去重构原图，而是会额外构造一个memory bank存储prototype(原型元素)。训练的时候更新 memory bank 中的项，测试时查询这些项，组合后送入解码器进行重构。这类方法相当于限制CNN的泛化能力，测试时只能通过查询和组合这些prototype元素进行重构，缓解了异常样本也能被重构得很好的问题。

3.1 MemAE (ICCV2019)

论文：Memorizing Normality to Detect Anomaly: Memory-augmented Deep Autoencoder for Unsupervised Anomaly Detection (澳大利亚阿德莱德大学)
论文地址：https://arxiv.org/abs/1904.02639

MemAE的大致做法如下：实现构造好一个有N项元素的Memory bank，这个模块加在Encoder和Deocder之间，编码器输出的latent code会进行寻址操作（计算code与每个prototype之间的相似度，确定权重w），找到对应的元素，经过加权融合得到一个新的code，再将这个code送入解码器进行重构。

训练除了重构损失，还加入了正则化项：对权重项w采用最小熵损失，如下所示，主要是促进权重系数的稀疏性，避免复杂的组合导致异常样本仍能被较好重构。

本文我之前也写了专门的博客记录，并进行了复现，有兴趣请看ICCV2019(AD) - 解读与复现MemAE。

3.2 MNAD(CVPR2020)

论文：Learning Memory-guided Normality for Anomaly Detection (延世大学)
论文地址：https://arxiv.org/pdf/2003.13228.pdf

这篇文章核心思想与MemAE基本一致，主要的不同在于一些细节上的差异。比如：除了经过Memory bank寻址得到的code，还会concat上本身的latent code，一起送入解码器；以及Memory Module中的更新方式存在不同，不依靠网络自动学习，而是类似于K-Means的思想进行更新；其次网络结构上采用U-Net，抛去了编码器最后一层的bn-relu层，训练时去掉skip-connection，测试时再恢复… …

此外，MNAD不是采用最小熵来促使注意力权重w的稀疏化，而是引入了两个损失：Feature compactness loss和Feature separateness loss，达到簇内紧凑，簇间分离的效果。

更多细节可以参考这篇文章：https://zhuanlan.zhihu.com/p/370691775

优缺点：

• Pros：同一个思想不同的构造方式，并且针对视频监控异常检测的特性，做了特定的修改(测试时也会选择正常帧更新memory中的项)
• Cons：整体方案显得比较麻烦，并且在重构单帧的设定下效果差于MemAE

3.3 Divide-and-Assemble(ICCV2021)

论文：Divide-and-Assemble: Learning Block-wise Memory for Unsupervised Anomaly Detection (海康威视研究院)
论文地址：https://arxiv.org/pdf/2107.13118.pdf

---

该系列的其他文章请跳转至Part 0 异常检测简述寻找，持续更新 …

---

温馨提示：码字不易，转载请提前告知（私聊和评论皆可）