图像异常检测的目标是从图像数据中发现不符合预期模式的样本。由于异常的稀缺性,图像异常检测通常被视为无监督或自监督问题,也就是说,模型仅能通过正常样本学习如何区分异常样本,数据的限制给模型的设计和训练带来巨大挑战。自编码器是经典的图像异常检测模型,其由一组编码器和解码器构成。编码器学习图像的特征表示,解码器根据特征重建图像,在正常图像上训练的模型往往能更好地重建正常图像,因此可以使用重建误差来检测异常图像。然而实验中发现,图像的重建误差与图像本身相关,一张熵大的正常图像的重建误差可能会大于熵小的异常图像;同时,因为自编码器模型输入和输出几乎相同,所以模型可能通过学习图像压缩和解压缩来完成图像重建,基于图像压缩的自编码器也能够很好地重建许多异常图像。以上两者都会导致异常检测性能的下降。在以上分析基础上,本文提出两种新的异常检测方法用于解决自编码器模型存在的问题,论文主要工作如下:（1）提出基于多维度重建误差评估的异常检测方法。该方法的核心是提供更全面的重建误差评估方式。具体而言,论文在评估图像像素差异的均方误差基础上,新增结构相似性用于评估图像邻域的重建误差,图像特征的余弦相似度用于评估图像整体的重建误差。同时,该方法还提出几种算法用于评估图像的重建难度,并用其对重建误差进行修正。以上方法,在没有改变自编码器结构的基础上,有效地提高了异常检测的准确率。（2）提出基于预训练模型的两阶段自编码器。该方法的核心是通过分离编码器和解码器训练的两阶段策略来强迫编码器学习正常图像特有的语义特征。具体而言,论文选用RotNet的训练策略独立完成编码器的训练,然后再完成解码器的训练,在这个过程中,编码器权重不变。同时提出图像修正模块用于修正重建图像存在的缺陷。图像修正模块由编码器,解码器和信息最小化模块构成,信息最小化模块强迫模型使用最少量的信息进行图像修正。在多个数据集上的实验证明了方法的有效性。