通过使用生成对抗网络（GAN）等技术，本研究在监控场景中解决了自动异常事件检测的问题，从而避免了人力资源需要对监控系统记录中的异常活动进行监视。在四个基准数据集上进行的实证研究结果表明，与现有技术相比，我们的模型在所有数据集上表现良好。

Nov, 2023

本文提出使用 GAN 来进行视频监控中的异常行为检测，通过将原始数据与运动信息相互转化来避免生成器学习平凡的恒等函数，并且在标准基准测试中达到了比之前最先进方法更好的效果。

Jun, 2017

该研究提出了一种基于双编码器的双向 GAN 架构，通过学习机制，将循环一致性问题降至最小，有效地促进了基于 GAN 的模型中的异常检测效率。实验证明该方法在正常样本分布捕捉方面表现良好，并成功应用于大脑磁共振异常检测系统。

Dec, 2020

我们提出了一种使用卷积自编码器和解码器神经网络在 UCSD 数据集上检测视频异常的深度学习方法，通过学习正常视频的时空模式，并将测试视频的每一帧与该学习表示进行比较，我们在 Ped1 数据集上实现了 99.35% 的总体准确率，并在 Ped2 数据集上实现了 99.77% 的总体准确率，证明了我们的方法在监控视频异常检测方面的有效性，结果显示我们的方法优于其他最先进方法，可以在实际应用中用于视频异常检测。

Nov, 2023

本文提出了一种增强空间 - 时间记忆的双流自编码器框架，通过对抗学习，学习外观正常性和运动正常性，并探索空间和时间模式之间的相关性，在 UCSD Ped2 和 CUHK Avenue 数据集上，该框架的 AUC 分别为 98.1％和 89.8％，胜过最先进的方法。

Jul, 2022

我们提出了一种有效的方法来检测视频中的异常，该方法利用卷积神经网络的卷积层进行物体识别和识别，其中包括两个主要组件，一个用于空间特征表示，以及一个用于学习空间特征的时间演变。实验结果表明，我们的方法的检测准确性与最先进的方法相当，速度高达 140 帧 / 秒。

Jan, 2017

在拥挤的场景中，利用生成对抗网络（GANs）解决异常检测问题。通过只使用正常数据对 GANs 进行训练，学习场景的正常表征，进而在测试时通过对比真实数据和 GANs 重构的外观和运动表征，并计算局部差异检测出异常区域，在帧级和像素级异常检测任务中实验结果表明，与现有技术相比，该方法具有显著的优势。

Aug, 2017

利用生成对抗网络（GAN）进行复杂的网络型智能物理系统的异常检测，通过多个传感器和执行器的多元时间序列模型以及强化学习的方法识别出攻击行为，针对六级安全水处理系统实验结果表明在高检测率和低误报率方面具有较高的效率和准确性。

Sep, 2018

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

提出了一种名为 MST-DVGAN 的新型无监督双变分生成对抗模型，用于对多变量时间序列数据进行 CPS 安全的异常检测，可以提高模型的鉴别能力并生成多样的样本，实验证明该模型比现有方法更稳定且性能一致提升。

Nov, 2023