摘要

基于代理任务的方法在无监督图像异常检测中近年来展现出巨大潜力。然而，这些方法无法保证代理任务与异常检测目标具有一致的优化方向。本文回归到基于信息论的直接目标函数，旨在通过最大化正常数据与异常数据在图像及其表示联合分布之间的差异来实现异常检测。遗憾的是，在无监督设定下（训练过程中未提供任何异常样本），该目标函数无法直接优化。通过对上述目标函数进行数学分析，我们成功将其分解为四个组成部分。为实现无监督优化，我们证明：在假设正常数据与异常数据在潜在空间中可分的前提下，该目标函数的下界可被视为一个权衡互信息与熵的函数。这一新目标函数不仅能够解释为何代理任务方法在异常检测中有效，还为进一步改进提供了潜在方向。基于此目标函数，本文提出了一种新颖的信息论框架，用于无监督图像异常检测。大量实验结果表明，所提出的框架在多个基准数据集上显著优于现有多种先进方法。