CCW-SSIM: a novel color-enhanced structural similarity metric applied to autoencoders for anomaly detection

Anomaly detection is a critical task in various domains, like cybersecurity, industrial monitoring, and medical diagnostics. Autoencoders have emerged as a promising approach for capturing normal patterns and identifying anomalies in unlabeled data. In this research, we propose a novel loss function, the Color CW-SSIM (CCW-SSIM), which extends the Complex Wavelet Structural Similarity (CWSSIM) metric to incorporate color information. By integrating color aspects into the structure similarity measure used as a loss function, we aim to enhance the performance of autoencoders in detecting anomalies, particularly those involving color deviations. The primary objective of this study is to evaluate and compare the performance of the CCW-SSIM loss function with various existing loss functions commonly employed in anomaly detection. The evaluation is conducted on the texture MVTec AD datasets, a widely used benchmark for evaluating anomaly detection algorithms. The performance metrics used for evaluation are the Area under the Receiver Operating Characteristic (AUC-ROC) curve and the Area under the Precision-Recall (AUC-PR) curve. Our experiments demonstrate the consistent superiority of the CCW-SSIM loss function over existing loss functions in terms of anomaly detection accuracy. The CCW-SSIM loss function reaches a slight but significant improvement in detection performance, highlighting the importance of incorporating color features in anomaly detection. The evaluation demonstrated the ability of the proposed loss function to effectively capture structural similarities while considering the perceptual aspects of color, leading to enhanced anomaly detection capabilities. In conclusion, this research introduces the CCW-SSIM loss function as a novel approach to increase the anomaly detection capabilities of autoencoders. By integrating color information within the structure similarity metric, the proposed loss function outperforms existing alternatives. The findings of this study contribute to the advancement of anomaly detection techniques, particularly in scenarios where color information plays a crucial role. Future research directions may include exploring the application of the CCW-SSIM loss function in other anomaly detection frameworks and assessing its performance across different datasets and domains.

Dalla sicurezza informatica, alla diagnosi medica e al settore industriale, la rilevazione delle anomalie è diventata fondamentale in moltissimi settori. Tra le varie tecniche ideate negli ultimi anni, gli autoencoder hanno dimostrato grandi capacità nella rilevazione di anomalie nelle immagini. In questo testo, proponiamo una nuova loss function, la Color Complex Wavelet Structure Similarity Index Measure (CCW-SSIM), che è un estensione della Complex Wavelet Structure Similarity (CW-SSIM) alle immagini a colori. Lo scopo è quello di incrementare le performance nella rilevazione delle anomalie, in particolare quelle riguardanti i colori. Il primo obiettivo di questo lavoro è quello di confrontare i risultati ottenuti con la nuova CCW-SSIM con i risultati delle varie loss function utilizzate. Il dataset preso in esame è MVTec AD dataset, in particolare la parte texture. Le metriche utilizzate per la valutazione sono l‘AUC-ROC e l‘AUC-PR. Gli esperimenti condotti hanno dimostrato che la CCW-SSIM raggiunge risultati migliori delle altre loss functions. Questo indica l‘importanza dei colori nella rilevazione di anomalie in immagini di texture. In conclusione, in questo lavoro abbiamo proposto una nuova Structure Similarity Metric (metrica di similarità di struttura) che valuta anche la similarità nel dominio dei colori. Inoltre abbiamo dimostrato l‘efficacia di tale metrica usata come loss function di un autoencoder nel contesto della rilevazione delle anomalie.