关于布匹的缺陷检测的一篇文章，采用的是无监督的方式进行检测，实际上作者在训练模型的过程中只使用正样本，对于有缺陷的样本，只在test过程中使用。
一、训练阶段
先看一下，作者提出的网络结构：
下面，具体解释一下，每个步骤的操作方式：
1、数据预处理
（1）Illumination normalization
采用如下公式：
I' = WLD(I)
（2）Gaussian pyramid downsampling
2、Patch Extraction
这里注意几个问题：
（1）使用的原始图片是没有缺陷的样本，选择patch的方式是随机的
（2）在3个level中所选取的所有的patch大小都是一样的
（3）在3个level中选择patch的时候，每个level的patch只是自己使用，不和其他level中的patch混合
（4）Noise corruption
选择出来patch之后，对其进行噪声污染：
（ps：这里有很多细节问题，论文里没有说明。
（1）每个level的起始输入是什么，是原图还是选择出来的patches，如果是原图，那么patches到原图如何进行反向传播。
（2）3个level所在的网络是3个单独的网络，还是有联系，如果3个网络有联系，那么在每个level中就是原图作为起始输入。
（3）根据后面的做法来看，猜测应该是patch作为网络输入，这样的话，3个level就是3个不同的网络，这样的话，两个level之间的高斯卷积和下采样就不能反向传播，也就失去了意义。）
3、loss
先来说一下，在每个level中的小网络中作者的思路，因为3个网络是相同的，我们只讨论一个就可以了。
如果我们把选取出来的一个patch图片记为I，然后进行Noise corruption，得到图片I2，接下来将I2放入一个FCN网络中得到最终的结果I3，实际上，I3是对patch I的描述。
所以，最后计算的loss是图片I和图片I3之间的误差。
4、Threshold Determination
这个阈值在训练阶段计算得到，但是是在test阶段进行使用。
首先，解释一下公式中涉及到的符号。
i：表示3个level
Np：每个level中的patch总数
xk：一个patch
最终的阈值为：
其中，u：均值，
二、test阶段
1、Image Preprocessing
和训练阶段一样，包括：Illumination normalization和Gaussian pyramid downsampling
2、Patch Extraction
patch的size和训练阶段相同，但是取patch的方式有点不同。这里是用patch连续在整张图片上滑动（在训练阶段，是在图片上随机选取）。那么，一个level上的patch的数量为：
其中，原图的size：[W, H]，patch的size：[w, h]，步长为：s
3、Residual Map Construction
4、Defect Segmentation
将Residual Map中的v(x)和对应的阈值T进行比较，如果v(x)小于阈值，结果取为0，否则为1。那么，最终重建的图片的像素就变成了取值为0和1的mask。
5、Result Synthesization
为了提高模型的健壮性和识别的准确率，需要把3个level得到的结果进行融合。
融合的方法：（1）首先，把所有的residual map resize到原图大小（也就是说，把level2和level3的结果resize到level的大小）（2）对相邻两个level的图像按照像素进行and操作（3）把所有的and操作的结果得到进行or操作。
test阶段示意图：
