利用几何变换的深度异常检测
本文提出了一种基于层次结构生成模型、图像变换和基于尺度的补丁鉴别器的异常检测方法，该方法可以通过极少量的样本（few-shot）训练来鲁棒地检测出图像中的异常样本，实验表明该方法在多个数据集上的表现优于近期的基线方法。
Apr, 2021
该文章提出了一种新的深度学习目标公式，在小训练集合的情况下能够使得其学习到的深层网络具有较好的泛化能力，同时介绍了一种基于几何感知的深度转换技术，从而实现了非线性、具有鲁棒性的特征转换，该方法在合成和真实数据方面表现良好，并支持所提出的框架使用 (K,ε)- 鲁棒性分析。
Sep, 2015
本研究提出了一种使用深度学习和多元高斯模型相结合的方法来进行图像中的异常检测，该方法通过预先训练大规模图像数据集上的分类器来建立正常图像的模型，使用马氏距离作为异常得分，可以在 MVTec AD 数据集上获得 95.8±1.2 的 AUROC 值，并探究了该方法在图像中异常检测中的可行性和影响因素。
May, 2020
提出了一种用于高分辨率三维点云的无监督检测几何异常的新方法，该方法将学生 - 教师异常检测框架适应到三维领域，并利用一种自监督预训练策略构建具有表达能力的教师网络，实现局部几何描述符的提取，实验结果表明该方法在性能、运行时间和内存消耗等方面都具有较好的应用前景。
Feb, 2022
本研究探讨异常检测在图像领域的深度学习方法，通过在 ImageNet 数据集上与现有深度学习算法和少量随机自然图像进行比较，发现多尺度图像数据的结构特点可以提高异常样本的识别效果。
May, 2020
使用辅助数据集训练异常检测器，提出 Outlier Exposure (OE) 方法来改进机器学习领域中深度异常检测任务，在 NLP 和视觉任务中扩展实验表明 OE 显著提高检测性能，并分析该方法的灵活性和鲁棒性。
Dec, 2018
本研究介绍了一种基于视觉线索的自动异常检测方法，在制造和产品质量评估等各个领域具有实际意义。我们提出了一个新的条件异常检测问题，通过将查询图像与参考形状进行比较，来识别图像中的异常。为解决这一挑战，我们创建了一个大型数据集 BrokenChairs-180K，其中包含约 180K 张图像，具有多样的异常、几何形状和纹理，并与 8143 个参考 3D 形状配对。为解决这一任务，我们提出了一种新颖的基于 Transformer 的方法，通过特征对齐明确学习查询图像与参考 3D 形状之间的对应关系，并利用自定义的注意力机制进行异常检测。我们的方法经过全面实验进行了严格评估，在该领域中可作为未来研究的基准。
Jun, 2024
本文提出了一种新颖的异常检测框架，利用少量标注的异常数据和先验概率，通过神经偏差学习完成异常得分的端到端学习，相比现有方法更高效地使用数据，并取得了显著更好的异常得分结果。
Nov, 2019