CRADL：用于无监督异常检测与定位的对比表示
计算机视觉与模式识别
2023-01-06 v1
摘要
医学影像中的无监督异常检测旨在无需训练时标注异常数据即可检测并定位任意异常。通常，这通过学习正常样本的数据分布并将图像中偏离该分布的区域检测为异常来实现。当前大多数最先进（SOTA）方法使用直接作用于图像的潜变量生成模型。然而，生成模型已被证明主要捕捉低级特征（如像素强度）而非丰富的语义特征，这也适用于其表示。我们通过提出 CRADL 规避此问题，其核心思想是在经对比 pretext-task 训练的编码器的低维表示空间中直接建模正常样本的分布。通过利用对比学习的表示，我们旨在修正对低级特征的过度关注并学习更具语义丰富性的表示。我们在使用三个不同评估数据集的异常检测与定位任务上的实验表明：1）对比表示优于生成潜变量模型的表示；2）CRADL 框架展现出与最先进方法竞争或更佳的性能。
引用
@article{arxiv.2301.02126,
title = {CRADL: Contrastive Representations for Unsupervised Anomaly Detection and Localization},
author = {Carsten T. Lüth and David Zimmerer and Gregor Koehler and Paul F. Jaeger and Fabian Isensee and Jens Petersen and Klaus H. Maier-Hein},
journal= {arXiv preprint arXiv:2301.02126},
year = {2023}
}