通过引入一种新颖的无监督方法 RA，可自动生成逼真的健康影像重构，从而识别更广泛的病理性异常，超过现有先进方法在多种影像模态中的表现，提高医学影像的诊断准确性。

Jan, 2024

本篇研究论文提出利用深度空间自编码模型对 2D 脑磁共振成像进行正常解剖学变异的捕获，并将输入图像与完成的重构进行比较来检测和勾画异常，该方法在标准深度表征学习上施加的潜在空间和对抗性训练的限制，进一步提高了分割性能。

Apr, 2018

本文旨在建立无监督异常检测的可比较性，利用单一架构、单一分辨率和相同的数据集评估不同方法，并提出未来的研究方向和挑战。

Apr, 2020

我们提出了一种新颖的蒙版自编码器增强扩散模型 (MAEDiff)，用于无监督异常检测脑部图像。MAEDiff 包括分层补丁分割，通过重叠上层补丁生成健康图像，并在次级补丁上采用基于蒙版自编码器的机制来增强未加入噪声区域的条件。对肿瘤和多发性硬化症病灶的数据进行了大量实验证明了我们方法的有效性。

Jan, 2024

研究了一种基于自编码器的图像异常检测方法，发现传统方法在训练时存在离群点时导致异常检测性能降低的问题，使用对抗自编码器引入先验分布可以较好地克服该问题。

Jan, 2019

使用自监督学习和掩蔽自编码器的方法，通过检测农业无人机图像中的异常像素来实现农田异常检测，从而提高在农业领域的生产效率。

Apr, 2024

利用信息理论揭示了基于自动编码器的重建方法在异常检测中的原理和设计理念，并验证了通过最小化潜在向量的信息熵来提高自动编码器在异常检测中的效果。

Mar, 2024

这篇论文研究了在医学图像中进行无监督异常检测的方法，提出了基于自监督视觉转换器模型的双分布异常检测算法，利用包括正常和非标注图像在内的全部训练数据，取得了在三个公共胸部 X 光基准数据集上的最新技术成果。

Jul, 2023

使用拉普拉斯金字塔对健康脑 MRI 的不同频带进行压缩和重建来提高重构保真度，实现对大、小脑病变的定位和聚合，并且表现出优异的异常分割效果。

Jun, 2020

提出基于健康样本作为参考来识别大规模医学影像数据中的异常区域，并使用深度卷积自编码器来进行训练和病理区域的分类，结果表明相比于标准嵌入方法，学习特征在分类任务中表现更好。

Dec, 2016