1.研究目的

     许多场景下异常检测，负样本很少或几乎没有，因此很难用检测、分类等算法解决。为解决该类问题，研究无负样本下异常检测。另外，图像变化差异小，缺陷变化大、种类多的数据也非常适合用此思路

    1.1 基于重建（Reconstruction）异常检测方法主要思路

      > 主要由AE、DAE、AAE、GAN等思想相结合发展出来

      判断思路：

      1)通过样本重建前后差异比较，异常样本重建前后差异大，确定测试样本是否异常

      2)样本Encoder隐空间的差异比较，确定样本是否异常

      3)训练判别器来判断异常数据

   1.2 AE、VAE异常检测

     VAE（ Variational  Auto encoder）变分自编码器

    • AE的一个问题：AE通过训练正常数据来学习其隐空间的分布状态，但实际隐空间分布的区间太大了，异常数据也能被表示出来，如左上所示（训练样本为8）。因此VAE从约束隐空间的角度来改进该问题

     • VAE算法思想：隐空间组合强制符合一种分布（高斯混合模型），期望即使是从未训练过的异常数据也能重建出类训练数据的结果

  1.3 VAE的问题及GAN

     • VAE的问题：直接计算生成图像与原始图像的均方误差来学习目标数据，只能算像素级差异学习，不能统筹考虑整张图像，如下图所示。下排2有6个像素差，算误差学习的时候肯定会由于误差太大而被妥协，而实际感观第二排2更像。所以不能只是单纯让目标与输入差距越小越好，GAN对抗学习可改进该问题

     • GAN是怎么做到的？把整张图像和已知结果送进D网络，通过大量目标样本告诉D网络第二排是我们的学习目标。VAE的mse(VAE)是通过一个一个像素的差异来独立学习，而GAN的discrimator是从图像整体统筹考虑学习目标图像

     •  怎么来学习D？用G：要学习D需要有正负样本，我们只有正样本，那么可以伪造负样本，伪造太假的数据D很容易学到，但如果来一个更真一点的假图，D就分辨不出来了，所以需要G生成更真的假图

   1.4 GAN的思想及训练过程

    GAN思想：由生成器G和判别器D组成。G先成模糊的数据，D把模糊的数据和真实的数据判别训练，提高水平。G需要生成更好的数据才能骗过第二代D，D再次训练第二代G的fake和real数据提高水平，迭代多次直到D无法区分出real和fake，此时G生成的数据已经可以假乱真了。训练过程如下图