医学成像中的异常检测是一项具有挑战性的任务，可以通过无监督异常检测方法解决，该方法通过识别与正常基准模型不匹配的特征。该论文探讨了使用混合概率分布作为替代方法，以在准确性与计算需求之间取得最优化平衡，并且介绍了一个在线方法来解决大数据量下的内存使用问题，并以帕金森病患者脑部扫描的异常检测为例进行了验证。

Sep, 2023

本论文提出了一种名为 UniCon-HA 的方法，通过结合监督和无监督的对比损失，明确鼓励正常样本的集中和虚拟异常样本的分散。通过软机制对每个扩增的正常样本进行重新加权，以确保纯净的集中。此外，通过采用易到难的层次化增强策略，并根据数据增强的强度在网络的不同深度进行对比聚合，以促进更高的集中。在三个异常检测设置下进行了评估，包括无标签单一类别、无标签多类别和有标签多类别，结果表明该方法在各方面均优于其他竞争方法。

Aug, 2023

我们介绍了一种名为 ANDi 的新型无监督异常检测（UAD）方法，通过聚合预测去噪步骤与基于金字塔高斯噪声训练的去噪扩散概率模型（DDPMs）中的真实反向过渡之间的差异，在多种类型的异常中展现了显著优越性。

Dec, 2023

无监督的持续异常检测方法 UCAD 通过对比学习的提示来提供无监督异常检测的持续学习能力，并使用基于结构的对比学习 (SCL) 和 Segment Anything Model (SAM) 来改进提示学习和异常分割结果。

Jan, 2024

本文提出了一种用于多类异常检测的无类别信息的绝对统一的方法，通过类别不可用的条件下，利用 Class-Agnostic Distribution Alignment (CADA) 对于不同类别的异常分数分布进行匹配，实现了统一检测方法， 在 MVTec AD 和 VisA 等 UAD 基准数据集上超过了之前的最先进方法。

Mar, 2024

本文提出了一种名为 ReContrast 的 UAD 方法，通过特征重构和对整个网络进行优化，实现了对目标领域的训练和检测能力，实验结果表明该方法在工业缺陷检测和医学图像 UAD 任务中具有优越性。

Jun, 2023

该论文提出了一种在无监督领域适应的情况下，采用自我监督学习的对比方法以减少培训和测试集之间的领域差异，实现了简单而有效的领域对齐框架 CDCL，并使用伪标签进行评估， 这种方法可以应用于无需数据源的情况并在图像分类方面取得了最先进的性能。

Jun, 2021

本文提出了一种新颖的概率混合模型用于异常检测，建立了表示学习、聚类和异常检测之间的理论联系，并通过最大化一种新颖的考虑异常数据的数据似然性，使表示学习和聚类能够有效减少异常数据的不良影响，并共同促进异常检测。通过受物理中的引力分析启发，还设计了一种改进的异常分数，更有效地利用表示学习和聚类的联合能力。在包括 30 个不同数据集的 17 种基准方法的广泛实验中，验证了所提方法的有效性和泛化能力，超过了现有技术方法。

Jun, 2024

本文旨在建立无监督异常检测的可比较性，利用单一架构、单一分辨率和相同的数据集评估不同方法，并提出未来的研究方向和挑战。

Apr, 2020

该研究提出了一种新的无监督异常检测和定位框架，通过粗到精的对齐过程从正常图像中学习密集和紧凑的分布，引入了称为非对比学习的新预文本任务，并在真实工业数据集上取得了最新的检测效果。

Oct, 2021