1. どんなもの？
- Anomaly Detectionの枠組み
- EGBAD(Efficient GAN Based Anomaly Detection)の改良版
2. 先行研究と比べてどこがすごい？
- EGBADでは$x$と$G(E(x))$に一貫性がなく，入出力の誤差が大きくなることがあった
3. 技術や手法の"キモ"はどこ？
Loss
- BiGANの$x$と$G(E(x))$に一貫性を強制するLossを導入 $$ \mathcal{L} _ {R}(\mathbf{x})=|\mathbf{x}-G(E(\mathbf{x}))|_{1} $$
$$ \mathcal{L} _ {R^{\prime}}(\mathbf{z})=|\mathbf{z}-E(G(\mathbf{z}))|_{1} $$
$$ \mathcal{L} _ {C} (\mathbf{x}, \mathbf{z}) = \mathcal{L} _ {R}(\mathbf{x}) + \mathcal{L} _ {R^{\prime}}(\mathbf{z}) $$
- GANのmetricにはWasserstein Distanceを使用
$$ \min _ {G, E} \max _ {D} \mathbb{E} _ {\mathbf{x} \sim p_{\text {data }}(\mathbf{x})}[D(\mathbf{x}, E(\mathbf{x}))]-\mathbb{E}_{\mathbf{z} \sim p(\mathbf{z})}[D(G(\mathbf{z}), \mathbf{z}] $$
- ↑2つを重み$\alpha$で足し合わせる $$ \mathcal{L} _ {E, G}^{*}=(1-\alpha) \mathcal{L} _ {E, G}+\alpha \mathcal{L}_{C} $$
Anomaly Score
$$ A(\mathbf{x})=(1-\lambda) \mathcal{L} _ {R}(\mathbf{x})+\lambda \mathcal{L} _ {f_{D}}(\mathbf{x}) $$
$$ \mathcal{L} _ {f _ {D}}(\mathbf{x})=\left|f_{D}(\mathbf{x}, E(\mathbf{x}))-f_{D}(G(E(\mathbf{x})), E(\mathbf{x}))\right|_{1} $$
4. どうやって有効だと検証した？
-
MVTEC ADで実験
-
EGBADとの比較
5. 議論はあるか？
- 意外と今までconsistencyを導入したものはなかった？
- 評価指標はこれで正しい？面積の大きい欠陥しか検出できない気がする
- 公式実装あり github
