异常检测,顾名思义,是对与预期模式不相匹配的数据、事件或观测值的识别。作为计算机视觉领域中热门的研究方向,异常检测在许多领域具有良好的应用前景。例如与网络安全相关的信息传输检测、与制造业相关的材料纹理检测、以及在医学领域的医学影像检测等等。然而,受制于数据标记耗时耗力以及数据不均衡等问题,基于监督学习的异常检测模型在某些方面难以达到预定期望。为了解决上述问题,本文将介绍一种新的结合一分类思想的无监督学习模型,即基于生成对抗网络的异常检测模型。该模型通过对单一类数据进行无监督学习来识别相关异常,无需对数据详细标注,避免了数据不均衡的问题。并利用生成对抗网络强大的拟合能力重构数据,进而通过比较重构数据与测试数据间的距离来区分异常的图像或音频。总之,本文主要研究内容如下:1.通过引入Ano GAN模型,详细介绍了基于生成对抗网络的异常检测方法的原理。并指出该模型存在的问题,进而在此基础上介绍了编码器与生成对抗网络相结合的两个模型Efficient-GAN与GANomaly。除此之外,还通过上述模型的实验结果对比,提出了在不同图像复杂度下异常评分设计应该不一致的观点,并在之后的实验中验证了上述观点。2.在上述模型的基础上提出了一种改进模型,即基于联合分布的流水线式模型。该模型相较于Ano GAN解决了推断阶段需要多次优化的问题,减少了时间消耗,并利用联合分布提高了模型精度。此外该模型通过加入自注意力机制还将图像领域的异常检测方法推广至音频领域,拓宽了模型的应用范围。