论文题目：Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection*
收录：CVPR2022
论文地址：[2203.14506] Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection (arxiv.org)
项目地址：GitHub - Choubo/DRA: Official PyTorch implementation of the paper “Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection”, open-set anomaly detection, few-shot anomaly detection.
论文翻译：Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection_appron的博客-CSDN博客
本文讲的是关于开放数据集上图像异常检测的问题，文中将很多知识框架信息都隐去了，想具体了解的可以先看另一篇论文《Deep Anomaly Detection with Deviation Networks》，几篇解读写的很明白，看完后就基本能理解本文的框架了。
《Deep Anomaly Detection with Deviation Networks》
论文来源 ｜ KDD 2019
论文链接 ｜ [1911.08623] Deep Anomaly Detection with Deviation Networks (arxiv.org)
源码链接 ｜ GitHub - GuansongPang/deviation-network: Source code of the KDD19 paper "Deep anomaly detection with deviation networks", weakly/partially supervised anomaly detection, few-shot anomaly detection
论文解读 | DevNet：基于偏差网络的深度异常检测模型 | 梦家博客 (dreamhomes.top)
论文分享 | Deep Anomaly Detection with Deviation Networks (qq.com)
DevNet半监督异常识别模型 - 知乎 (zhihu.com)
整体框架图解读：Deep Anomaly Detection with Deviation Networks论文解读 Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection* 数据集展示
论文改进 主要内容&贡献 关键点
【读论文04】CVPR2022选读_要谦年人的博客-CSDN博客
问题定义 思路 框架 代码解读 4个head 数据预处理 可见异常样本读取 伪异常样本生成 模型输入 解耦异常得分 返回值 Loss
BEC Loss、Focal Loss和Dev Loss的比较
分离异常学习，各head的loss 实验 实验细节 普通设定结果 困难设定结果 消融实验 每个异常学习head的重要性 伪异常样本生成方式比较 解耦学习的重要性 及 参考图像数量 比较
