异常检测目的：
检测与正常外观显著偏离的局部图像区域。
近期异常检测方法缺点：
1.缺点1：重建异常区域失败
近期的异常检测方法通过生成模型来重建图像，在正常区域里成功，但异常区域里重建失败
缺点2：阻碍优化特征提取
因为 这些方法只在无异常的图像上训练，且通过人工的方式定位异常
阻碍原因：
1.因为模型只训练过无异常的图像，没有学习到异常的特征
2.人工标注异常有可能出现异常标注错误
3.可能无法学习到区分正常和异常样本的最优特征
为了解决以上问题，做出的工作
把异常检测看作判别问题，提出一个判别训练的 重建异常嵌入模型（DRAEM）
详细阐述DRAEM的功能
解决重建异常区域失败的问题：
学习正常图像和异常图像之间的共同特征，尝试重建无异常的图像
解决阻碍优化特征提取问题：
- 学习如何区分正常图像与异常图像，设定判断异常的标准
- 直接定位异常，不需要人工后期处理
- 可以用简单和一般的异常图像训练
实验效果：
数据集：MVTec异常检测数据集
- 优于当前最先进的无监督方法
数据集：DAGM表面缺陷检测数据集
- 接近全监督方法的检测性能
- DRAEM定位精度上大大优于
解释：
无监督方法：
不需要使用标记的训练数据来训练模型的方法
全监督方法：
标签：训练,检测,图像,surface,方法,trained,anomaly,异常,重建 From： https://blog.csdn.net/qq_52291558/article/details/142911729模型的训练过程完全依赖于带有标签的数据。在这种方法中，每个训练样本都包含输入数据和对应的正确输出标签。模型的目标是学习输入数据和输出标签之间的映射关系，以便在给定新的输入数据时，能够准确预测输出标签。