我们提出了一种使用卷积自编码器和解码器神经网络在 UCSD 数据集上检测视频异常的深度学习方法，通过学习正常视频的时空模式，并将测试视频的每一帧与该学习表示进行比较，我们在 Ped1 数据集上实现了 99.35% 的总体准确率，并在 Ped2 数据集上实现了 99.77% 的总体准确率，证明了我们的方法在监控视频异常检测方面的有效性，结果显示我们的方法优于其他最先进方法，可以在实际应用中用于视频异常检测。

Nov, 2023

本研究比较了卷积 LSTM 和变分卷积 LSTM 自编码器的性能，讨论了在视频异常检测中利用无监督学习方式训练模型的可行性和实用性。

Mar, 2022

我们提出了一种有效的方法来检测视频中的异常，该方法利用卷积神经网络的卷积层进行物体识别和识别，其中包括两个主要组件，一个用于空间特征表示，以及一个用于学习空间特征的时间演变。实验结果表明，我们的方法的检测准确性与最先进的方法相当，速度高达 140 帧 / 秒。

Jan, 2017

研究了一种基于自编码器的图像异常检测方法，发现传统方法在训练时存在离群点时导致异常检测性能降低的问题，使用对抗自编码器引入先验分布可以较好地克服该问题。

Jan, 2019

提出了一种主动可持续的深度伪造训练增强解决方案，将人工指纹引入模型中，通过采用池化自编码器的整体学习方法，模仿深度伪造模型引入的伪造效果，实验结果表明，我们提出的整体自编码器数据增强学习方法在泛化能力方面有所提升，并抵抗基本数据扰动，如噪声、模糊、锐化增强和仿射变换，对常用的有损压缩算法，如 JPEG，具有强大的鲁棒性，并增强对抗攻击的抵抗能力。

Mar, 2024

该研究提出了一种基于循环自编码器的无监督学习方法，用于从社交媒体的用户编辑视频中提取高光时刻，并通过一种收缩指数损失函数训练了这个自编码器，以使其具有噪声容忍度和更好地建模时间结构。

Oct, 2015

本研究使用深度自编码神经网络进行高效的会计异常检测，实验结果表明，此方法在比基准方法下有更少的误报率且能捕捉高度相关的会计异常。

Sep, 2017

本研究提出了一种基于生成模型和 ConvLSTM 的新型顺序生成模型，用于预测未来视频帧，并在异常检测框架中考虑时间信息，实验表明，该方法在三个基准数据集上优于现有最先进方法。

Sep, 2019

提出了一种新颖的方法来检测深度伪造视频，使用一对通过自监督屏蔽自编码设置预训练的视觉转换器。

Jun, 2023

通过自我监督学习的实现，该论文提出了一种自我监督变压器协同对比和重建学习 (CoReST) 方法，该方法首先仅在真实人脸视频上进行自我监督预训练，然后在特定的人脸伪造视频数据集上用线性头进行微调，通过引入对比和重建学习的辅助任务来增强表示学习，同时引入领域适应性重建模块来弥合不同伪造领域之间的差距，实验结果表明，该方法在公共数据集上的表现比现有的有监督竞争方法更好，并具有令人印象深刻的泛化性能。

Sep, 2023