本文研究了基于深度生成模型的异常检测，提出了两种改进的变分自编码器方法用于半监督学习，并在自然图片、天文和医学数据集中取得了显著的异常检测优化。

Nov, 2019

本文提出了一种新的鲁棒性较高的异常检测方法，使用改进过的Variational Autoencoder(VAE)模型，在处理高度噪声的训练数据时具有较好的鲁棒性，并在标准基准测试中取得了最新的成果。

Jun, 2020

本文提出了一种基于Feature-Augmented VAE的复杂异常模型的新VAE模型，该模型不仅在像素空间中重构输入图像，而且还在多个不同的特征空间中进行重构，通过对先前训练的卷积神经网络进行计算，对MVTec异常检测和定位数据集的表现明显优于现有最先进的方法。

Aug, 2020

通过使用VQ-VAEs结合密度和基于恢复的方法，我们提出一种识别实现无监督异常检测的新方法，该方法通过对图像进行编码将概率分布建模，并将不常见的编码替换为从先验分布中采样的编码集合, 通过对生成的恢复图像和原始图像之间的平均L1距离度量像素级的异常得分，我们对MOOD挑战数据集进行了测试，相比具有VAEs的标准重建方法，我们的方法具有更高的准确性。

Dec, 2020

通过研究使用变分自编码器（VAE）进行异常检测的方法，本文提出了新的分析和算法方法来纠正VAE似然值中的偏差，并展示了一种用于改进异常检测的先前已知图像预处理技术，最终在九个灰度图像和自然图像数据集上实现了最先进的准确度，同时跑的更快且性能更佳，轻量的修复程序就能够实现VAE的强健异常检测。

Aug, 2021

本文提出了一种对抗框架，由Adversarial Distorter和Autoencoder两个部分组成，利用编码器的隐层特征空间中的扰动提高异常检测中对特征的语义表示，实现了对图像和视频数据集上的异常检测的最新性能的提升。

Jul, 2022

该论文提出Clean Subspace Variational Autoencoder (CLSVAE)用于检测和自动修复系统误差，该模型可以通过在较小的维度空间中建模数据并将异常（包括干扰和正常数据）拉伸到空间外检测异常。实验表明，CLSVAE比先前相关模型需要更少的标记数据，将误差降低了58%。

Jul, 2022

本文第一次对生成自编码器的最坏情况容忍性进行研究，发现在某些情况下，恶意攻击者可以利用潜在空间攻击常见的生成自编码器，同时我们通过实验还发现了生成自编码器与其确定性变体之间的差异，并考虑了在最坏情况容忍性和潜在代码解缠之间的潜在权衡。

Jul, 2023

本文研究了用于无监督的离群检测的深度生成模型（DGMs），特别关注使用标准正态先验分布的基本变分自动编码器（VAE）。我们提出了一种针对基本VAE设计的新颖离群得分方法，称为误差降低（ER），其结合了从丢失版本中重建图像输入的概念，并考虑了图像的科尔莫哥罗夫复杂性。对不同数据集的实验结果表明，我们的方法优于基准方法。我们的代码可在此URL获得：https://这个URL

Sep, 2023

本研究针对已知内置类别和未知异常类别的数据，提出了一种新的条件潜在空间变分自编码器（CL-VAE），以改善异常检测的预处理。该方法通过对数据内部信息的条件化，显著提高了潜在空间的分离能力，并通过集成不同的VAE模型形成共识，从而提高了异常检测的准确性，MNIST数据集上的AUC达到了97.4%。

Oct, 2024