采用GAN结构:
1、<A Surface Defect Detection Method Based on Positive Samples>
思路：
训练目的：abnormal输入经过GAN结构恢复得到normal输出。
测试阶段：abnormal输入和normal输出计算LBP值，比较得到瑕疵区域。
训练和测试：
训练：
仅仅基于normal图像做训练。normal图像x经过瑕疵添加模块G(x~|x)得到有瑕疵的图像x~。x~参与实际的GAN网络训练得到修复好的y。
训练过程模型学习两个能力：a、瑕疵位置的定位。b、瑕疵修复。
测试阶段：
任意输入一张测试图像x：
如果没有瑕疵，网络作出反应：没有找到瑕疵、不进行修复。应该输出和x类似的normal图像。
如果有瑕疵，网络做出反应：有瑕疵，定位瑕疵区域，对瑕疵做修复。应该输出对x进行修复后的normal图像。
问题：
1、 训练数据中的缺陷如何生成。即G(x~|x)构造问题。
文中是用ps得到的，但是能否做到和实际的瑕疵十分接近有待考证。
2、 瑕疵检测的有效性完全依赖于瑕疵区域的恢复效果。对于瑕疵区域恢复效果查的问题，此类方法，理论上效果不好。