基于 VAE 与 beta-VAE 的无监督异常定位
计算机视觉与模式识别
2020-05-22 v1 机器学习
摘要
变分自编码器(VAEs)在无监督学习数据分布方面已展现出巨大潜力。在正态图像上训练的 VAE 预期仅能重建正态图像,从而可通过操纵 VAE ELBO 损失中的信息来定位图像中的异常像素。ELBO 由 KL 散度损失(图像级)和重建损失(像素级)组成。使用后者作为预测器是自然且直接的。然而,通常添加到正态图像上的局部异常会恶化整个重建图像,导致仅使用朴素像素误差的分割不准确。基于能量的投影被提出以提高正态区域/像素的重建精度,其在简单自然图像上达到了最先进的定位精度。另一可能的预测器是 ELBO 及其各分量相对于每个像素的梯度。先前工作声称 KL 梯度是一种鲁棒的预测器。在本文中,我们认为基于能量的投影在医学影像中不如在自然图像上有用。此外,我们观察到 KL 梯度预测器的鲁棒性完全取决于 VAE 和数据集的设置。我们还探索了 beta-VAE 中 KL 损失权重以及预测器集成在异常定位中的影响。
引用
@article{arxiv.2005.10686,
title = {Unsupervised anomaly localization using VAE and beta-VAE},
author = {Leixin Zhou and Wenxiang Deng and Xiaodong Wu},
journal= {arXiv preprint arXiv:2005.10686},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:2002.03734 by other authors