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

无监督异常检测中，使用没有任何异常信息的仅限正常样本进行训练的流模型，能够有效地区分可预测和不可预测的异常数据，而针对不同大小变化的异常数据，我们提出了一种名为 MSFlow 的新型多尺度流模型框架，能够在图像级别和像素级别进行异常检测和定位，经验证在三个异常检测数据集上明显优于现有方法，并在具有挑战性的 MVTec AD 基准上达到了 99.7% 的检测 AUORC 得分、98.8% 的定位 AUCROC 得分和 97.1% 的 PRO 得分。

Aug, 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

该研究提出了一种新颖的层次高斯混合归一化流建模方法，称为 HGAD，用于实现统一的异常检测。通过将不同类别的高斯混合建模应用于归一化流的潜在空间，避免了 “同质化映射” 问题，并通过最大化互信息损失进一步优化了潜在特征空间结构，从而在四个真实世界异常检测基准测试中显著改善了先前的基于归一化流的异常检测方法，并超越了 SOTA 统一异常检测方法。

Mar, 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

介绍了一项名为人类行为异常检测（HAAD）的任务，旨在通过仅具有预先确定的正常训练动作样本类别，以无监督的方式识别异常运动。提出了一种基于归一化流（NF）的检测框架，可以有效地利用样本似然来指示异常。通过将动作样本从时域转换到频域，以减轻数据不稳定性的问题，以展示对记录期间潜在抖动数据的意识。在两个人类行为数据集上进行的大量实验结果表明，我们的方法优于将最先进的人类活动 AD 方法应用于我们的 HAAD 任务所形成的基线。

Apr, 2024

该研究提出了一种基于 CBAM 的复杂函数模型，用于在规范化流模型中保留和有效提取空间结构信息，从而实现异常检测，并在 MVTec AD 数据集上实现了像素级 AUC 为 98.64％的卓越准确性。

Jun, 2022

本文介绍了一种新的黑匣子对抗攻击方法，该方法基于规范化流来对给定目标图像周围的对抗性样本密度进行建模，在生成的对手中，其具有更接近干净数据分布的属性，从而使其检测不太可能。此外，与部分现有的攻击方法相比，论文实验证明该方法具有较强的攻击性能。

Jul, 2020

本研究提出一种结合贝叶斯网络与正则化流算法的 GANF 方法，用于多时间序列数据的异常检测和密度估计。实验证明该方法在时间序列密度估计、异常检测和检测数据时序漂移等方面具有较高的有效性。

Feb, 2022

提出了一个名为 AltUB 的解决方案来改善基于正常流的性能稳定性，使其在无监督异常检测任务中达到了最新的最先进表现，并在 MVTec AD 数据集上实现了 98.8％的 AUROC。

Oct, 2022