OCR_GAN：一种无监督异常检测的频域重建方法

# OCR_GAN
## 1. 思想
### 1.1 无监督异常检测
- 无需大量额外训练样本
- 通过重建方法进行无监督训练
- 具有更高的实用性
### 1.2 频域视角
- 从频率角度处理感知异常检测任务
- 利用正常与异常图像频率分布的显著差异
### 1.3 多频分支重建
- 通过多频分支分别重建不同频段信息
- 增强生成器的重建能力
## 2. 模型
### 2.1 频率解耦（FD）模块
- 功能
  - 将输入图像分解为不同频率分量
- 步骤
  - 原始图像与高斯核卷积
  - 下采样获得中间图像
  - 中间图像上采样
  - 卷积估算缺失像素，获得模糊图像
  - 计算相邻模糊图像差异
  - 获得全频图像
### 2.2 通道选择（CS）模块
- 功能
  - 实现多分支间的全频交互
  - 不同通道特征的自适应选择
- 结构
  - 全局平均池化
  - 全连接层
  - 注意力机制
  - 为不同频率分支回归通道注意力权重
### 2.3 OCR_GAN网络
- 生成器
  - 多个生成器重建全频段图像
  - 与判别器交替训练
- 判别器
  - 区分正常图像、重建图像及伪造异常图像
- 损失函数
  - 内容损失
  - 对抗损失
  - 潜在损失的加权和
## 3. 结论
### 3.1 性能优越
- 在MVTec AD数据集上实现98.3%的检测AUC
- 创下新记录，显著超越基于重建的基线方法和当前最先进技术
### 3.2 无需额外数据
- 无需额外训练数据
- 仅使用正常样本进行训练
- 具有更高的实用性
### 3.3 鲁棒性和高效性
- 在多个公开数据集上一致取得最先进的成果
- 证明了方法的鲁棒性和高效性
## 4. 借鉴之处
### 4.1 频域分析
- 从频域角度分析正常与异常图像的差异
- 为异常检测提供新的视角
### 4.2 多频分支设计
- 通过多频分支分别重建不同频段信息
- 提升生成器的重建能力
- 增强模型性能
### 4.3 通道选择机制
- 引入通道选择模块
- 实现多分支间的全频交互
- 提升模型的特征表达能力