本文提出了一种基于密集预测的异常检测方法，利用广泛而多元的通用数据集作为负样本，通过在内部训练图像上叠加负补丁来鼓励模型识别已知和未知之间的边界。在三个密集开放识别基准数据集上得到了有竞争力的实验结果。

Jan, 2021

本文研究基于生成建模或负数据训练的判别方法的密集异常检测方法。提出一种联合训练的生成流，通过在正常分布边缘处采样合成负样本来学习混合方法，并分析训练合成负样本的影响。研究表明，基于能量的密度可以在训练和评估过程中促进模型性能的提升。

May, 2023

本研究提出了 OpenHybrid 框架，应用于 open set recognition 中，在 inlier 分类器和 density estimator 之间进行联合学习，通过 encoder 将输入数据编码为联合嵌入空间，使用 flow-based 模型检测未知类别的样本是否属于异常值，并且实验结果表明，该模型在标准 open set 基准上显著优于现有的方法和基线模型。

Mar, 2020

通过使用正则化流技术生成合成负面样本以及基于信息论准则来检测异常，可以提高密集预测任务中对混乱和异常值的鲁棒性，并在标准基准和数据集上获得最新的性能。

Dec, 2021

本文提出了一种使用多假设自编码器来更高效地学习前景数据分布的异常检测框架，同时使用辨别器来批判模型，并在多个假设之间强制多样性，在 CIFAR-10 上取得了 3.9％的提高，并将基线模型的误差从 6.8％降低到 1.5％。

Oct, 2018

本篇研究提出一种基于离群值检测的方法，使用一起被训练出的合成离群值。该方法可以同时用于语义分割和密度离群值检测，取得了与现有最先进模型相竞争的表现。

Nov, 2020

通过重新参数化的视角深入研究分布密度的行为，揭示在现有应用中赋予异常点密度的经验值与应用期望相冲突，提出利用这些似然函数进行异常检测依赖强的暗含假设，明确表述这些假设才能实现可靠异常检测。

Dec, 2020

在本研究中，我们提出了一种新的损失函数和网络训练方法，以提高密度感知的开放世界环境中对异常和越界样本的检测能力，并在 CIFAR-10 数据集上进行了验证，将相对马氏距离方法在远距离越界任务中的错误正例率降低了 50% 以上。

Nov, 2023

本文介绍了一种利用深度神经网络作为端到端开放集分类器的方法，并基于类内数据拆分。作者将给定的数据划分为典型和非典型标准子集，使得在异常类的模拟上更有效，即将开放集识别问题转化为传统的分类问题。此外，作者还提出了一种闭集正则化方法，以保证闭集分类性能，通过五个著名的图像数据集上的实验，也证明了该方法的有效性。

Mar, 2019

本篇论文提出了 OpenGAN 方法，结合了两种区分开放和封闭集的概念性方法，并通过一些技术手段解决这些方法的局限性，实现了机器学习中开放集识别领域的性能显著提升。

Apr, 2021