Anomaly GAN 总结

AnoGAN是一种使用GAN做异常检测的模型。
这篇博客主要介绍这篇paper中的模型:Unsupervised Anomaly Detection with
Generative Adversarial Networks to Guide Marker Discovery.

这篇paper的基本思路是通过正常的图像来训练GAN，这样得到的GAN就会根据噪声来生成正常图像。

这篇文章最大特点是通过比较生成图像和异常图像，通过它们的差异来更新输入GAN的噪声，以此得到异常图相对应的正常图，这样甚至可以找到异常的位置。
作者定义第一个residual loss来衡量query image $x$ 和生成图片$G(Z_y)$的差异，用来更新噪声z
$L_R(Z_y)=\sum|x-G(Z_y)|$
作者还定义了一个discrimination loss也用来更新噪声
$L_D(Z_y)=\sum|f(x)-f(G(Z_y))|$
其中 f 表示discrimination 网络中一个高级中间层, 这个discrimination loss衡量生成图和输入图在这一层layer上的差异，从而更新噪声，使得生成图和输入图更接近。
最后的loss是
$L=\lambda L_D(Z_y)+(1-\lambda)L_R(Z_y)$.
之前提到过，generator和didcriminator是已经在正常图像上训练好了的，他们的trained weight是保持不变，只更新这个噪声。
最后当异常图和生成图足够接近时候，我们就可以通过阈值法找到异常图，并且找到异常的位置。