无先验异常检测是具有挑战性的。我们提出了一种新型的分块自编码器（Patch AE）框架，旨在增强自编码器对异常图像的重构能力而不是削弱。通过对学习到的特征表示的空间分布特征向量的相应位置进行重构，即分块重构，确保了自编码器对异常的敏感性。我们的方法简单高效，在 Mvtec AD 基准方面取得了最新的研究成果，证明了我们模型的有效性。它在实际工业应用场景中显示出巨大的潜力。

Aug, 2023

本文提出了一种名为 PatchCore 的方法，它使用最具代表性的内存库来实现商标标准化的图像检测和本地化。PatchCore 在 MVTec AD 挑战赛中实现了高达 99.6％的图像级异常检测 AUROC 分数，并在其他两个数据集中取得了竞争性结果。

Jun, 2021

通过扩展支持向量数据描述（SVDD）的深度学习变体，我们使用自监督学习构建基于补丁的方法来实现图像异常检测和分割，并在 AUROC 上展示了比以往最先进方法提高了 9.8％和 7.0％的检测和分割性能。

Jun, 2020

我们研究了基于补丁自编码器的颜色图像异常检测方法，通过比较三种基于错误、潜在空间中正常图像分布的支持估计，以及原始图像和重建图像的恢复版本之间的错误的性能，我们将这些方法与两种竞争性的最新方法在工业图像数据库 MVTecAD 上进行评估比较。

Jul, 2023

基于 Vision Transformer 架构和 Patch 掩蔽技术的图像异常检测方法，将输入图像分成多个分辨率的 Patch，在忽略异常信息的同时对周围数据进行重建，相较传统方法性能更好，MVTec 和 head CT 等数据集上实现了良好的结果。

Oct, 2022

本论文研究了少样本学习（FSL）的实际问题，通过利用充足的正常样本，提出了 PatchProto 网络用于少样本异常分类。与传统方法不同，PatchProto 网络仅提取感兴趣区域的缺陷 CNN 特征，并将其作为少样本学习的原型。实验结果显示 PatchProto 网络显著提高了少样本异常分类的准确性。

Oct, 2023

本文首次考虑图像感应异常检测中的标签级噪声问题，提出了一种基于记忆的无监督异常检测方法 SoftPatch，该方法能够有效地去噪，并在补丁级别上生成异常分数以软化异常检测边界，在各种噪声场景下，SoftPatch 在 MVTecAD 和 BTAD 基准测试上表现优于现有方法，在无噪声设置下与其他方法效果相当。

Mar, 2024

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

通过重新审视异常检测（AD）的 “匹配” 性质，我们提出了一个新的 AD 框架，它同时具有新的 AD 准确性记录和极高的运行速度。

Aug, 2023

这篇论文介绍了一种基于量子自编码器的图像异常分割方法，其中参数的数量与图像块的大小对数缩放。该方法通过量子状态的重构，通过 SWAP 测试对嵌入输入块计算异常映射，而无需重建输入图像，并在多个数据集和参数配置下评估其性能并与经典对应方法进行比较。

Apr, 2024