Puzzle-AE：通过解决拼图进行图像新颖性检测

Aug, 2020

Puzzle-AE：通过解决拼图进行图像新颖性检测

Puzzle-AE: Novelty Detection in Images through Solving Puzzles

Mohammadreza Salehi, Ainaz Eftekhar, Niousha Sadjadi, Mohammad Hossein Rohban, Hamid R. Rabiee

TL;DR本论文提出了一种基于 U-Net, 自监督学习的 Jigsaw 拼图预训练及对抗训练技术，用于改善复杂数据集中异常检测的 Autoencoder 的灵活性问题，提高学习效率和准确性。与现有的许多竞争对手相比，该框架稳定、快速、数据高效，并且不需要不合规的提前停止。在各种玩具和现实世界数据集上，达到了竞争力或更好的结果。

Abstract

autoencoder, as an essential part of many anomaly detection methods, is lacking flexibility on normal data in complex datasets. u-net is p

autoencoder u-net self-supervised learning adversarial training anomaly detection

发现论文，激发创造

ARAE：对抗性训练的自编码器提高了新颖性检测

本文提出了一种新型自编码器，利用对抗鲁棒性来学习更具语义意义的特征以在新颖性检测问题中更好地重建正常数据，并提出奖励惩罚机制以解决自编码器过于泛化的问题，实验证明该方法在三个基准数据集上超越或与最先进的方法相竞争。

Mar, 2020

面板自编码器用于图像异常检测

无先验异常检测是具有挑战性的。我们提出了一种新型的分块自编码器（Patch AE）框架，旨在增强自编码器对异常图像的重构能力而不是削弱。通过对学习到的特征表示的空间分布特征向量的相应位置进行重构，即分块重构，确保了自编码器对异常的敏感性。我们的方法简单高效，在 Mvtec AD 基准方面取得了最新的研究成果，证明了我们模型的有效性。它在实际工业应用场景中显示出巨大的潜力。

Aug, 2023

使用对抗自编码器实现图像中的稳健异常检测

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

通过解决拼图游戏来无监督地学习视觉表征

本文研究了无需人工注释的图像表示学习问题，通过自监督学习的方式，构建了一个卷积神经网络，该网络能够以拼图问题作为预文本任务进行训练，从而无需手动标注，并在后续用于解决目标分类和检测问题；同时引入了一种名为 CFN 的无上下文网络，该网络以图像块作为输入，并将其早期处理单元的感受野（或上下文）明确限制为一次一个图像块，以保持跨任务的兼容性。通过训练 CFN 来解决拼图问题，我们学习了对象部分的特征映射以及它们的正确空间排列，实验评估结果表明，所学习的特征捕获了语义相关的内容；本文提出的学习视觉表示的方法在多个转移学习基准测试中胜过现有的最先进方法。

Mar, 2016

超越已知：对抗自编码器的新颖性检测

通过线性化保持内点分布结构的流形，我们计算新颖性概率，并在网络的训练协议上进行改进，证明我们的方法在学习目标类别方面是有效的，并在几个基准数据集上优于最新的先进方法。

Apr, 2024

利用自编码器的弱点生成伪异常数据

通过利用自编码器学习的自适应噪声产生伪异常数据，以增强自编码器在异常检测中的判别能力。

May, 2024

学习不重构异常

本文提出了一种新的方法，通过训练自编码器（AE）模型重建正常数据，并使用生成的伪异常数据模拟数据分布，以有效改善基于 AE 的视频异常检测方法。在三个具有挑战性的视频异常检测数据集上的实验结果表明了该方法的有效性和优于传统方法的性能。

Oct, 2021

基于合成时序异常指导的端到端视频异常检测

本研究通过使用伪异常合成器，利用正常数据生成假异常，用这些数据训练自编码器，改进了原有的自编码器，在三个视频数据集上进行的大量实验和分析表明，我们的方法有效地优化了自编码器的性能，并在实现超过现有的若干先进模型。

Oct, 2021

AET vs. AED: 通过自编码变换而非数据进行无监督表示学习

本文提出了一种新的无监督表示学习范式，通过自编码变换（AET）而非传统的自编码数据（AED）方法进行训练，使得神经网络可以在没有标注数据的情况下学习。实验结果表明，AET 范式可以实例化一大类变换，具有比现有的无监督方法更好的性能，特别是在 CIFAR-10、ImageNet 和 Places 数据集上表现更接近完全监督对照组的上限。

Jan, 2019

通过对抗性双自编码器实现异常检测

介绍了一种基于 GAN 的异常检测框架 - Adversarial Dual Autoencoders (ADAE)，由两个自编码器作为生成器和判别器以提高训练稳定性，利用判别器重建误差作为异常得分以获得更好的检测性能。在不同复杂度的数据集上进行的实验表明，该模型具有良好的鲁棒性，可用于不同场景中，其中之一是脑肿瘤检测。

Feb, 2019