提出了一种基于神经网络的无监督异常检测方法，采用鲁棒子空间恢复层，该层从给定数据的潜在表示中提取基础子空间，并去除偏离该子空间的异常值，在图像和文档数据集上进行了广泛的数值实验，并展现了最先进的精确度和召回率。

Mar, 2019

提出了一种基于 Geometric Spatial Aggregator 和 transformer-style backbone 的连续深度表示方法，使深度图超分辨率具备任意尺度的能力，在 NYU v2 等标准深度图基准测试中，相比先前的方法取得了显著的恢复增益。

Dec, 2022

色彩引导的深度图超分辨率技术通过扩展高品质彩色图像来提高低质量深度图像的空间分辨率，利于 3D 重建、虚拟现实和增强现实等多方面应用。本文提出一种新颖的深度图超分辨率范式，利用扩散模型在潜在空间中生成深度图超分辨率的引导。该方法包括引导生成网络，深度图超分辨网络和引导恢复网络，并结合简单而有效的特征融合模块和 Transformer 风格的特征提取模块，使其能够在多模型图像的提取、融合和重建中利用引导先验知识。经过广泛的实验证明，在准确性和效率方面，我们的方法在与现有先进方法对比时展现出卓越的性能。我们的代码将在此 https 的 URL 进行公开共享。

Nov, 2023

本文提出了一种基于无监督分割的异常检测方法，使用多尺度区域特征生成器从预训练的深度卷积网络中生成描述子区域的特征，借助这些特征设计一个深度自编码器并通过快速特征重建对图像中的异常区域进行检测，该方法在多个基准数据集上取得了最新技术进展，并具有实际应用潜力。

Dec, 2020

通过引入 3D 信息和 Depth-Aware Discrete Autoencoder (DADA) 架构，以及提出的新型表面异常检测方法 3DSR，本研究在 MVTec3D 异常检测基准上取得了准确性和处理速度方面的优势，验证了利用深度信息提升表面异常检测的潜力。

Nov, 2023

提出一种新颖的离散余弦变换网络（DCTNet）来解决多模态图像处理中导向深度超分辨率（GDSR）的挑战，包括理解工作机制、提取跨模态特征和减弱 RGB 纹理过度传递，通过离散余弦变换模块、半耦合特征提取模块和边缘注意机制来分别解决这些问题。实验结果表明，DCTNet 的性能比之前最先进的方法更好，在参数数量相对较小的情况下能够更好地处理导向深度超分辨率。

Apr, 2021

该研究提出了一种新的半监督异常检测方法 DASVDD，该方法使用自编码器学习正常类的潜在表示并最小化其上边界超球的体积。通过将自编码器的重构误差和潜在表示中的超球中心距离结合起来，提出了一种异常度量方法，能够在训练期间学习正常类的分布，实验结果表明，该方法优于当前常用的最先进的异常检测算法，而且在不同的异常类别之间表现出强大的鲁棒性。

Jun, 2021

我们提出了一种新颖的子空间感知特征重构框架，用于异常定位，通过学习低维子空间的自表达模型实现自适应特征逼近，从而减少内存需求并实现与最先进方法相媲美的异常定位性能。

Sep, 2023

本文提出了一种基于判别模型的重构异常嵌入模型（DRAEM），用于解决视觉表面异常检测问题，该方法无需手工后处理即可实现异常区域定位。实验结果表明 DRAEM 在 MVTec 异常检测数据集上比当前最先进的无监督方法优异得多，甚至在 DAGM 表面缺陷检测数据集上也可以接近全监督方法的检测性能，并且比全监督方法在定位准确度上表现更好。

Aug, 2021

通过使用局部细化网络和基于扩散的技术，我们提出了一种名为 REAL-GDSR 的新方法来解决实际世界 DSM（数字表面模型）超分辨率的复杂性问题。我们的方法在定性和定量评估中表现出优于现有方法的效果。

Apr, 2024