扩展前述的隐式条件方法，我们提出了一种新的框架，通过动态步长计算、无噪声缩放输入和潜在空间投影的方式增强了扩散模型的能力，有效地定位异常并在两个著名异常检测数据集上取得了最先进的性能。

Jan, 2024

通过在扩散模型上引入条件机制，对无监督异常检测中的脑部 MRI 图像重构进行优化，以提高重构质量、域适应性特征和分割性能，并且可在不同 MRI 采集和模拟对比度之间进行领域适应，从而提高脑部 MRI 无监督异常检测的性能和泛化能力。

Dec, 2023

基于扩散模型的异常检测中，提出了一种适用于多类异常检测的扩散异常检测（DiAD）框架，包括像素空间自动编码器、与稳定扩散去噪网络相连的潜空间语义引导（SG）网络，以及特征空间预训练特征提取器。通过实验证明了该方法的有效性，并超过了多类 MVTec-AD 数据集上的最先进方法，即对于多类 MVTec-AD 数据集的本地化和检测，达到了 96.8/52.6 和 97.2/99.0（AUROC/AP）。

Dec, 2023

通过引入合成异常样本和空间自适应特征融合方案，本文提出了一种全局和局部自适应扩散模型（GLAD）用于无监督异常检测，增加了灵活性并实现了无异常的重构，同时保留了尽可能多的正常信息。

Jun, 2024

本文提出了基于敌对去噪扩散模型（ADDM）的研究。ADDM 基于去噪扩散概率模型（DDPM），并通过敌对学习进行互补训练。实验结果表明，ADDM 在无监督 MRI 图像异常检测上表现优于现有的基于生成模型的无监督异常检测方法。

Dec, 2023

我们提出了一种基于去噪扩散内隐模型的弱监督异常检测方法，结合分类器指导进行病态和健康主体之间的图像翻译，生成非常详细的异常地图，无需复杂的训练过程。

Mar, 2022

AutoDDPM 是一种提高扩散模型鲁棒性的新方法，通过联合噪声分布重采样，将扩散模型生成的潜在异常性的初始似然率图像与原始图像无缝集成，实现了谐波和修补效果，该研究展示了 AutoDDPM 在替换异常区域保留健康组织方面的有效性，同时在医学影像学领域促进了鲁棒和可解释的异常检测。

May, 2023

本文提出了一种利用条件扩散模型进行无监督视频异常检测的方法，使用预训练网络提取空间和时间特征，并结合能概括给定视频片段运动和外观的紧凑运动表示进行条件约束，采用数据驱动的阈值，将高重构误差视为异常事件的指标。实验表明，该方法在大规模视频异常检测数据集上的性能优于现有方法和基线方法。

Jul, 2023

这项研究提出了一种名为遮蔽扩散后验抽样（MDPS）的新方法，该方法能够数学地重建正常图像并在贝叶斯框架下基于扩散的正常图像先验进行多次扩散后验采样，通过像素级和感知级的度量有效计算每个正常后验采样与给定测试图像之间的差异图，并通过对多个后验采样的所有差异图求平均来获得异常分数，实验证明 MDPS 在正常图像重建质量、异常检测和定位方面能够达到最先进的性能。

Apr, 2024

本文提出了一种创新的多类异常检测方法，通过将扩散模型和变换器相结合，利用扩散获取高频信息以解决模糊重建问题，引入双重调节以保证准确性，采用时空融合以提升性能，实验证明该方法在多类异常检测方面表现卓越。

Jul, 2024