3D 异常检测是工业制造中的一项新兴和重要的计算机视觉任务。本文提出了一种易于部署的网络（称为 EasyNet），可以在不使用预训练模型和存储器过多的情况下实现准确的异常检测，同时具有高效的推理速度。实验结果表明，EasyNet 在不使用预训练模型和存储器的情况下，实现了 92.6% 的异常检测 AUROC，并且比现有方法更快，Tesla V100 GPU 上的帧率达到了 94.55 FPS。

Jul, 2023

RealNet 网络通过强度可控的扩散过程来生成具有不同异常强度的样本，并通过选择代表性和有区分度的预训练特征子集以及自适应地选择判别性残差来提高异常检测性能。在四个基准数据集上的评估结果显示，与当前最先进方法相比，RealNet 在图像 AUROC 和像素 AUROC 方面均取得了显著改进。

Mar, 2024

本文提出一种深度卷积神经网络 (CNN)，用于监控视频中的异常检测，该网络能够对每帧视频提供异常评估分数，实验结果与现有研究相竞争。

Aug, 2019

ProtoAD 是一种基于原型的神经网络，用于图像异常检测和定位，通过提取正常图像的补丁特征，并通过非参数聚类学习正常补丁特征的原型，构建了图像异常定位网络 ProtoAD，无需训练阶段即可进行端到端的异常检测和定位。

Oct, 2023

SentiNet 是一种新颖的检测框架，用于检测限制对图像连续部分的通用攻击，不需要对攻击进行预先了解或模型训练。该方法通过利用神经网络的易受攻击性以及模型可解释性和物体检测技术作为检测机制，将模型的弱点转化为优势。本文在数据污染攻击、特洛伊网络和对抗性贴片（包括物理攻击）等三种攻击中证明了 SentiNet 的检测效果，并展示了其对于强自适应对手的鲁棒性。

Dec, 2018

基于三个块的新型方法，通过提取具有分辨力的特征来区分不同类型的图像，进而解决深度学习算法生成的合成图像在数字取证领域中的挑战，实验证明该方法在 JPEG 压缩和泛化测试方面具有良好的鲁棒性并超越了现有方法。

Apr, 2024

本文介绍了如何在最小化计算成本的同时，通过采用和组合最新技术创新来实现多类别物体检测任务的最先进准确度。设计原则是 “少通道多层”，采用了一些基本块，包括拼接 ReLU、Inception 和 HyperNet， 在 VOC2007 上达到 83.8％的 mAP，VOC2012 为 82.5％mAP（第 2 名），仅使用 Intel i7-6700K CPU 单核时，每张图像仅需 750ms，在 NVIDIA Titan X GPU 上为 46ms / 图像，其网络与 ResNet-101 相比，计算成本只需 12.3％。

Aug, 2016

通过提出仅具有约 6K 参数的新型网络 SYENet，以应对移动设备上的多个低级别视觉任务，在实时方式下实现了最佳 PSNR，并在 Image Signal Processing（ISP），Low-Light Enhancement（LLE）和 Super-Resolution（SR）等应用中获得了 MAI 2022 学习型智能手机 ISP 挑战的最高分数。

Aug, 2023

本文提出了一种基于卷积神经网络的无尺度检测技术，通过采用上下文感知的 RoI 池化和多分支决策网络，实现了无尺度对象识别，并在多个数据集上达到最优准确性和速度。

Apr, 2018

本文提出了一种基于教师 - 学生特征模仿网络的多尺度处理策略，采用了基于梯度下降优化的网络模块重要性搜索方法，可以有效地解决无监督异常定位任务的挑战，并在实际工业产品检测数据集上比同期的特征建模异常定位方法具有更好的性能。

Dec, 2022