基于矢量量化变分自编码器潜空间修复的异常检测
计算机视觉与模式识别
2020-12-15 v1 机器学习
图像与视频处理
摘要
我们提出一种结合密度与修复方法的分布外检测方法，使用矢量量化变分自编码器(VQ-VAEs)。VQ-VAE模型学习将图像编码到类别型潜空间中。随后使用自回归(AR)模型对潜码先验分布建模。我们发现AR模型估计的先验概率可用于无监督异常检测，并能够估计样本级和像素级异常分数。样本级分数定义为潜变量负对数似然，阈值用于筛选极不可能码。此外，通过将极不可能潜码替换为来自先验模型的样本并解码到像素空间，将分布外图像修复为分布内图像。生成修复图像与原始图像之间的平均L1距离用作像素级异常分数。我们在MOOD挑战数据集上测试了该方法，并报告了相比基于标准VAE重建方法的更高准确率。
引用
@article{arxiv.2012.06765,
title = {Anomaly detection through latent space restoration using vector-quantized variational autoencoders},
author = {Sergio Naval Marimont and Giacomo Tarroni},
journal= {arXiv preprint arXiv:2012.06765},
year = {2020}
}
备注
4 Pages, 4 Figures. Submitted to ISBI 2021