本研究提出了一种新的全卷积跨尺度归一化流模型（CS-Flow），该模型通过对不同尺度的多个特征图进行联合处理，能够对工业制造中的缺陷进行自动检测和定位，同时在基准数据集上取得了 100％的区分度（AUROC)。

Oct, 2021

本研究提出了使用 2D 归一化流来实现概率分布估计的 FastFlow，并将其作为插件模块与 ResNet 和视觉变换器等任意深度特征提取器一起使用，以进行无监督的异常检测和定位。实验结果表明，FastFlow 在准确性和推理效率方面优于以前的状态 - of-the-art 方法，其在异常检测方面达到了 99.4％的 AUC。

Nov, 2021

提出的 PyramidFlow 方法是第一个无需预训练模型就能实现高分辨率瑕疵定位的全归一化流法，该方法利用金字塔状的归一化流进行多尺度融合和体积归一化来帮助泛化，并提出一种基于潜变量模板的瑕疵对比定位范式来降低类内方差。综合研究 MVTecAD 的研究表明，该方法表现优于不使用外部 prior 的可比算法，甚至在更具挑战性的 BTAD 场景中达到了最先进的表现。

Mar, 2023

通过注意力机制和深度神经网络，提出了一种改进的 DifferNet 解决方案：AttentDifferNet，它在三个工业检测数据集中实现了改进的图像级缺陷检测和分类性能，达到了业界最新水平，突出了注意力在工业异常检测中的重要性。

Nov, 2023

我们提出了一种自监督异常检测方法，结合对比学习和 2D-Flow，以实现更精确的检测结果和更快的推理过程。与主流的无监督方法相比，我们的方法展示了优越的检测准确度、更少的额外模型参数和更快的推理速度，整个训练和推理过程都是端到端的。

Nov, 2023

使用 3D NF 模型 CT-3DFlow 在胸部 CT 数据中进行患者级肺部病理检测，通过无监督训练健康的 3D 肺部 CT 补丁，检测其与对数似然分布的偏差作为异常，聚合患者 CT 扫描的补丁级别似然值以提供患者级别的正常 / 异常预测， 在一个单独的胸部 CT 测试数据集上通过专家注释评估了异常分布检测性能，优于其他最先进方法。

Mar, 2024

基于特征密度估计和正态流的无监督型外分布检测方法可应用于任意预训练模型，通过密度阈值实现检测，并在图像分类中表现出强大的远外分布数据检测结果，包括 ImageNet-1k 与纹理的 98.2% AUROC，超过现有技术 7.8%。我们还探讨了预训练模型的特征空间分布与我们方法性能之间的关联，并提供了应用正态流用于外分布检测时的训练陷阱。

Feb, 2024

Flow-based deep generative models can be used for novelty detection in time series data and outperform traditional methods like the Local Outlier Factor.

Jun, 2019

提出一种基于 DifferNet 的解决方案，利用 SENet 和 CBAM 作为骨干网络的注意力模块，通过对三个不同的视觉检测和异常检测数据集（MVTec AD、InsPLAD 故障和半导体晶片）进行改进，提高了检测和分类能力，并通过定量和定性评估显示了改进的结果。

Jan, 2024

提出了一种基于可逆规范化流模型的异常检测方法，通过学习所有合法目标类别的联合数据分布，能够在生成的异常特征具有低于所有目标类别合法物体的低可能性的同时，建模更好的入侵对象和异常对象的决策边界，在图像和视频数据集中显著优于现有的技术。

Feb, 2023