基于特征密度估计和正态流的无监督型外分布检测方法可应用于任意预训练模型，通过密度阈值实现检测，并在图像分类中表现出强大的远外分布数据检测结果，包括 ImageNet-1k 与纹理的 98.2% AUROC，超过现有技术 7.8%。我们还探讨了预训练模型的特征空间分布与我们方法性能之间的关联，并提供了应用正态流用于外分布检测时的训练陷阱。

Feb, 2024

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

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

为了在现实世界中实现可靠的自主机器人部署，对 Out-of-Distribution (OOD) 检测能力的需求很高。基于密度估计和归一化流的 OOD 检测是一种有效方法，但之前的工作尝试使用简单的基础分布拓扑地匹配复杂的目标分布，导致了不利的影响。本文通过使用一个具有表达力的类条件基础分布，基于信息论目标来匹配所需的拓扑结构，从而避免了这种拓扑不匹配问题。所提出的方法在不降低性能和最小化计算开销的同时，提高了 OOD 检测能力。我们在密度估计和 2D 对象检测基准测试中，与广泛的基线模型相比，展现了卓越的结果。此外，我们还展示了该方法在实际机器人部署中的适用性。

Nov, 2023

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

本文探讨了正则化流在检测异常数据方面的性能问题，发现正则化流架构具有局部像素相关性和通用图像到潜空间转换的缺陷，并通过修改它的架构，使其更好地适应特定数据语义结构，进而提高检测性能。

Jun, 2020

使用低维流形的测度和距离作为离群检测的标准，实验结果表明流形学习改善了归一化流这一类基于似然模型的离群检测能力，而无需修改模型结构或使用训练期间的辅助离群数据。

Aug, 2023

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

通过量化分位数的最大似然目标为学习内点分布并改善稀有点分离，我们的方法使用训练好的判别特征适应一个标准化流，并根据评估的对数似然检测稀有点。通过实验评估，我们的方法表现优于现有的无监督方法，并与最近的自监督方法竞争。我们的工作能减少对充分负样本训练数据的依赖，尤其对医学诊断或遥感等领域具有重要意义。

Aug, 2023

本文提出了一种可以通过生成异常样本来解决少数异常样本数据不均衡的方法，利用自编码器和变分自编码器的双层分层潜空间表示来将合法数据的特征描述符深度提取为更强的表示，再利用这些生成器合成未见过的负样本，训练二元分类器以获得鲁棒的且无需实际异常样本训练的异常检测性能，该方法在多个异常检测基准测试中表现优异。

Oct, 2020