本研究提出了一种基于 Poisson 图像插值策略的自监督方法，可以在医学图像中检测病理异常，超过了现有方法的表现，适用于具有挑战性的数据制度。

Jul, 2021

我们的研究基于之前的医学领域离群分布挑战（MOOD）的获奖者的工作，其经验性地表明通过复制和插值外来补丁生成合成局部异常有助于训练分割网络，从而能够推广到未见过的异常类型。我们的贡献在合成异常生成过程中，通过使用随机形状而不是方形，并平滑异常的插值边缘，使合成异常更加多样化和具有挑战性，使网络无法仅仅依赖图像 - 外来补丁之间的高梯度来识别异常。我们的实验证明，这两项贡献显著改进了该方法的性能。我们使用标准的 3D U-Net 架构作为分割网络，在脑部和腹部数据集上以补丁方式进行训练。我们最终的挑战提交包括 10 个在不同异常生成过程配置下训练的 U-Net，通过 5 个数据折叠进行训练。我们的方法在 MICCAI 举办的 2022 年医学离群分布挑战的样本级和像素级任务中取得了第一名。

Aug, 2023

基于 Vision Transformer 架构和 Patch 掩蔽技术的图像异常检测方法，将输入图像分成多个分辨率的 Patch，在忽略异常信息的同时对周围数据进行重建，相较传统方法性能更好，MVTec 和 head CT 等数据集上实现了良好的结果。

Oct, 2022

提出了一种基于隐式场图像表示的医学图像无监督的脱离分布检测方法，应用于脑 MR 图像中的胶质瘤本地化任务，结果表明该方法显著优于其他基于 VAE 的异常检测方法（平均 DICE 0.640 vs 0.518），同时需要更少的计算时间。

Jun, 2021

我们研究了基于补丁自编码器的颜色图像异常检测方法，通过比较三种基于错误、潜在空间中正常图像分布的支持估计，以及原始图像和重建图像的恢复版本之间的错误的性能，我们将这些方法与两种竞争性的最新方法在工业图像数据库 MVTecAD 上进行评估比较。

Jul, 2023

这篇论文提出了一种使用自注意力方法的纯补全变换模型，用于计算机视觉中的异常检测，其使用深度学习自动编码器来识别图像中的异常部分，并可实现区分性补全，同时提高了检测结果的准确性。

Apr, 2021

本文提出了一种名为 PatchCore 的方法，它使用最具代表性的内存库来实现商标标准化的图像检测和本地化。PatchCore 在 MVTec AD 挑战赛中实现了高达 99.6％的图像级异常检测 AUROC 分数，并在其他两个数据集中取得了竞争性结果。

Jun, 2021

利用基于补丁的调和网络和基于统计色彩转移的特征提取器实现补丁特征归一化块，并在图像调和中取得优异的结果。

Feb, 2024

这篇论文介绍了 OpenPatch 方法，它使用预训练模型从中间特征中提取一组描述每个已知类别的补丁表示，在新样本中评估其是否主要由单个已知类别的补丁构成或通过多个类别的贡献来组成，并通过广泛的实验评估展示了其在语义新颖性检测任务中的出色性能。

Oct, 2023

本研究提出了一种名为 ReConPatch 的方法，通过训练与预训练模型相关的线性调制来构建判别性特征，采用对比表示学习来以目标为导向地收集和分布特征，实现了无需大量输入增强即可实现强健的异常检测性能。

May, 2023