ssim算法计算图片_图像异常检测1：用图像复原重建+自监督学习+GMSD+SSIM作异常检测...

题目：Reconstruction by inpainting for visual anomaly detection

来源：Pattern Recognition

原文链接：

Reconstruction by inpainting for visual anomaly detection​www.sciencedirect.com

---

一、Motivation

动机1：改善像素级重建的重构误差失灵问题；

动机2：异常定位。

文章核心思想源于以下两篇文献：

1、自监督学习+图像复原重建：

Arxiv2019：《Attribute Restoration Framework for Anomaly Detection》^[1]

2、Anomaly detection+ Anomaly localization[多尺寸平均]+ Anomaly score Map

CVPR2020：《Uninformed students: Student-teacher anomaly detection with discriminative latent embeddings》^[2]

二、Contribution

1、将图像异常检测转换为自监督学习下的图像复原重构问题；

2、不只使用L2距离，配合使用新的图像相似度度量函数：SSIM和GMS。

备注：SSIM（structural similarity index）和GMS或GMSD（Gradient Magnitude Similarity Deviation）这两个图像相似度函数不是本文原创，是数字图像处理领域的技术，两者都是全参考的图像相似度算法。SSIM从亮度、对比度和结构三方面来比较图像相似度，GMS使用梯度幅值作为特征来比较图像相似度。值得说明的是，自然图像往往有着丰富类型的局部结构，不同的结构在失真中会有不同的梯度幅值退化，因而，梯度幅值能够反映结构信息。

三、Algorithm