個人前言
這篇文章提出了許多在 SQUID 論文有出現過的的內容，特別是有關於放射線成像的描述等等，建議先看過 SQUID，重複的論點不再提及。
Abstract
提出一種簡單的 Space-aware Memory，用於修復放射線成像的異常。
將異常檢定制定為 image reconstruction task，用 space-aware memory matrix 和 in-painting block 組成。
Related Work
Our Previous Work
相對於 SQUID，本文有以下四點改進：
- 引入了新的符號、公式和圖表，以及詳細的方法說明及學習目標
- 刪除 Memory Queue 和 Masked shortcut，簡化框架，還提高了效能
- 在三種放射線成像任務勝過其他 21 種 SOTA 方法
- 研究了 SimSID 對於 desease-free (訓練集中對異常資料的容忍) 的穩健性
SimSID
Developing Space-aware and Hierarchical Memory
Space-aware memory
$\hat{z}_{i,j}$ (augmented feature)
$=\displaystyle\sum^N_{k=1}G(s^{k})M^k_{i,j}$
$s^k$ 是做內積算出來的相似度
$G(\cdot)$ 是 Gumbel-softmax (用 SQUID 的 Gumbel Shrinkage)
$Memory Matrix$ 被拆成多個 block，才有 $M_{i,j}$
Hierarchical memory
在 encoder 最深處使用一個 memory matrix (in-painting block) 不足以重建具有細節的高品質圖像。
為了捕捉不同尺度的 anatomic patterns，提出在 generator 的多個 level 放置 space-aware memory。
研究發現，太多的 memory 會導致過度的 information filtering，還會 degrade 模型，導致他只會保留最具代表性的 normal pattern，而不是所有需要的 pattern。
這個問題可以透過添加 skip connection 來解決。
從經驗發現三個 memory matrix 就已足夠。
Results
Benchmarking SimSID on Three Public Datasets
對於正常的情況， SimSID 可以在 memory 中找到相似的匹配，然後順利重建。
對於異常，將偽造的正常特徵強加到異常特徵，就會產生矛盾。
圖 7 繪製 Discriminator 的 heatmap 來指示出重建效果不佳的部分。