摘要

一种流行的异常检测方法是利用对抗网络中的生成器，基于输入数据的重建误差来构建异常得分。然而，由于异常事件本身发生频率极低，此类网络的优化过程往往十分繁琐。另一种可能的思路是同时利用生成器与判别器进行异常检测。但受限于对抗训练机制的存在，该类模型通常表现出不稳定性，导致性能在每个训练步骤间剧烈波动。在本研究中，我们提出了一种新框架，能够在一个广泛的训练步数范围内生成稳定可靠的检测结果，并有效结合对抗模型中的生成器与判别器，实现高效且鲁棒的异常检测。我们的方法对判别器的根本功能进行了重构：不再用于区分真实数据与伪造数据，而是转变为识别重建结果的优劣质量。具体而言，我们通过当前生成器生成高质量重建样本作为正例，而利用同一生成器的旧状态所产生的重建结果作为低质量样本作为负例。由此，判别器能够学习识别异常输入在重建过程中常出现的细微失真特征。在Caltech-256和MNIST图像数据集上的新奇性检测任务中，大量实验验证了本方法的优越性能。此外，在UCSD Ped2视频异常检测数据集上，我们的模型在帧级别实现了98.1%的AUC值，显著优于当前最先进的方法。