采用Auto-encoder结构:
仅仅基于normal图像做训练。
思路重述：
训练目的：normal图像和abnormal经过Auto-encoder结构后均可以得到normal图像。
测试阶段：normal输入和normal输出的相似性较大，abnormal输入和normal输出的相似性较小。得以分类abnormal图像和normal图像。
问题：
1、 模型仅仅基于normal图像进行训练，容易逼近恒等变换，即输出和输出比较接近（abnormal输入获得abnormal输出）。
2、 输出图像比较模糊。
针对问题1提出解决方案的论文：
<Memorizing normality to detect anomaly: Memory-augmented deep autoencoder for unsupervised anomaly detection>,2019
<Learning Memory-guided Normality for Anomaly Detection>,2020
针对问题2提出解决方案的论文：
等看到了收集。