创新点解析
1. DRÆM模型在传统重建方法基础上的创新
原本的传统重建方法：
- 使用生成模型，如自编码器和生成对抗网络（GANs），进行图像重建。
过程：
1.只用无异常图像 重建
2.依赖 为观察到的异常区域 +较差的重建能力
3.阈值化： 输入图像 和 重建图像 的差异 ----》检测异常
阈值化：
在图像处理中，将像素值按照一个设定的阈值来分类：大于或等于阈值的像素归为一类，通常设置为白色；小于阈值的像素归为另一类，通常设置为黑色。这样就把图像转换成了一个二值图像，也就是只有黑白两种颜色的图像
- 仅在无异常图像上进行训练，以重建质量作为异常检测的依据。
- 需要手工制作的后处理步骤来定位异常区域。
DRÆM模型的改进：
- 在重建子网络上加入判别子网络，进行端到端训练。
- 判别子网络学习重建图像和原始图像之间的差异，以及正常与异常样本之间的决策边界。
- 不仅重建图像，还学习异常图像和其无异常重建的联合表示。
- 直接输出异常定位图，省去了复杂的后处理步骤。
解决的问题：
- 解决了传统方法在检测与正常样本外观差异小的异常时的困难。
- 通过联合学习和直接异常定位，提高了异常检测的准确性和效率。
2. 利用原始图像和重建图像的联合表示
独立图像重建方法：
- 仅使用重建图像或原始图像中的一个来进行异常检测，忽略了两者联合表示中的有用信息。
DRÆM模型的改进：
- 在原始图像和重建图像的联合表示上训练判别模型。
- 利用原始图像中的纹理和结构信息，结合重建图像的误差信息，增强模型的判别能力。
解决的问题：
- 解决了仅依靠重建误差时可能会忽略原始图像重要信息的问题。
- 联合表示使得模型能够直接从原始图像中学习区分正常和异常的特征。
3. 在重建子空间上优化判别能力
单一重建子空间方法：
- 重建子空间可能过于关注重建过程中产生的差异，导致模型过拟合。
DRÆM模型的改进：
- 在重建子空间上加入判别模型
- 开发一个算法，能学习并理解在原始图像和重建图像之间的局部差异，并将这些差异量化。
- 通过这种方式，模型学习到的不仅是重建过程中的特征，还包括原始图像中的异常特征。
解决的问题：
- 解决了模型可能过拟合于重建子空间的问题。
- 增强了模型的泛化能力，使其能够更好地泛化到未知或未见过的异常类型。
总结
通过在重建子网络的基础上加入判别子网络 ，并利用原始图像和重建图像的联合表示，DRÆM模型提高了异常检测的准确性和泛化能力。这种方法不仅减少了对复杂后处理步骤的依赖，还使得模型能够更好地理解和区分正常和异常样本，即使这些异常在外观上与正常样本非常相似。