异常检测与分割碰出火花 ECCV:Synthesize then Compare: Detecting Failures and Anomalies for Semantic Segmentation

这篇文章提出了一个新颖的概念。AI system 必须要有 检测失败和异常的功能，比如自动驾驶和医学图像分析。

简述paper流程，基于image和segmentation map。这篇文章玩出了花火，左边是他的检测失败的功能，右边是他的异常检测的功能。

补充一下，这里异常检测的问题被定义为out-of-distribution (OOD) detection。一般的OOD detection目的就是determine是否一张图像是OOD图像。anomaly segmentation 主流方法[1]是 Pixel-wise reconstruction loss with auto-encoders 。

文章一个小pipeline是这样的。先分割，分割结果再利用cgan还原场景，然后结合input image和还原场景得到判别信息：失败还是异常？

然后是Fig. 1中的左边部分详细图。使用的是孪生网络得到一个iou prediction和error map。

这是一个文章对于自己造任务的解释.

最后是展示。

问题：为什么要预测error map，iou预测，都没有什么解释，或许是因为这类任务都要预测？

附加：一个异常检测 综述

[1] Deep autoencoding models for unsupervised anomaly segmentation in brain mr images.