面板自编码器用于图像异常检测

Aug, 2023

Patch-wise Auto-Encoder for Visual Anomaly Detection

Yajie Cui, Zhaoxiang Liu, Shiguo Lian

TL;DR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。

Abstract

anomaly detection without priors of the anomalies is challenging. In the field of unsupervised anomaly detection, traditional

anomaly detection unsupervised auto-encoder patch-wise reconstruction mvtec ad benchmark

发现论文，激发创造

利用自编码器的弱点生成伪异常数据

通过利用自编码器学习的自适应噪声产生伪异常数据，以增强自编码器在异常检测中的判别能力。

May, 2024

基于面向工业图像分析的基于补丁自编码器的图像或潜空间异常检测

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

基于量子贴片的自编码器用于异常分割

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

学习不重构异常

本文提出了一种新的方法，通过训练自编码器（AE）模型重建正常数据，并使用生成的伪异常数据模拟数据分布，以有效改善基于 AE 的视频异常检测方法。在三个具有挑战性的视频异常检测数据集上的实验结果表明了该方法的有效性和优于传统方法的性能。

Oct, 2021

基于理论的重新思考自编码器在医学异常检测中的应用

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

使用对抗自编码器实现图像中的稳健异常检测

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

自抽掩蔽自编码器是高效的视频异常检测器

本研究提出了一种基于轻量级掩蔽自编码器的高效异常事件检测模型，它能够利用运动梯度进行权重计算、结合师生解码器来提高检测效果、通过生成合成异常事件来扩充训练数据，同时将原始帧和对应的像素级异常地图一同重新构建，在三个基准测试上表现出优异的速度和精度。

Jun, 2023

用于非监督异常检测的上下文编码变分自编码器

本研究提出了一种基于深度学习自编码器的未监督学习方法，结合了重构与密度计算的异常得分方法，成功地应用于医学影像的异常检测，并在 BraTS-2017 和 ISLES-2015 分割基准测试中表现出色。

Dec, 2018

ARAE：对抗性训练的自编码器提高了新颖性检测

本文提出了一种新型自编码器，利用对抗鲁棒性来学习更具语义意义的特征以在新颖性检测问题中更好地重建正常数据，并提出奖励惩罚机制以解决自编码器过于泛化的问题，实验证明该方法在三个基准数据集上超越或与最先进的方法相竞争。

Mar, 2020

基于合成时序异常指导的端到端视频异常检测

本研究通过使用伪异常合成器，利用正常数据生成假异常，用这些数据训练自编码器，改进了原有的自编码器，在三个视频数据集上进行的大量实验和分析表明，我们的方法有效地优化了自编码器的性能，并在实现超过现有的若干先进模型。

Oct, 2021