本文挑战了最先进的生成模型，通过对稳定扩散进行微调，在语义分割方面自动生成合成数据以评估其可靠性。通过广泛实验，我们表明合成数据与真实异常数据的表现之间存在高度相关性，从而显示了该方法的有效性。此外，我们说明了如何利用合成数据来提高分割器的校准和异常检测能力。

Dec, 2023

本文提出了一种名为 ObsNet 的 OOD 检测体系结构，通过基于局部对抗攻击（LAA）的专用训练方案，实现了在速度和精度方面得到表现的最佳方法，解决了当前方法在实际应用中速度和精度快慢两难的问题。

Aug, 2021

本文通过在不同的数据集上使用深度学习的方法，实现了以城市街道场景为基础的图像识别模型对于不同场景下的物体进行准确分类和目标检测，并且通过对于特征向量的提取和降维，成功实现了基于图像碎片的图像检索和分割。

May, 2020

本文提出了一种针对视觉分类中的开放世界场景中的数据分割问题的新方法，该方法能够训练出一个专门针对原始训练集以及更大的 “背景” 数据集的 ODD（出现在分布之外的异常值）检测模型，并在测试复杂自然图像的数据集中得到了优异的表现。

Aug, 2018

我们研究了在自动驾驶背景下使用异常检测模块训练图像语义分割模型的不同策略，通过对最先进的 DenseHybrid 模型的训练阶段进行修改，我们实现了显著的异常检测性能提升。此外，我们提出的简化检测器不仅实现了与改进的 DenseHybrid 方法相当的结果，而且超过了原始 DenseHybrid 模型的性能。这些发现证明了我们提出的策略在自动驾驶背景下提升异常检测的有效性。

Aug, 2023

提出一种名为 S2M 的方法，将异常得分转换为分割掩码，用于语义分割中的 OoD 检测，通过将异常得分转化为提示来消除阈值选择的需求，实验证明 S2M 在各种基准测试中的 IoU 平均值上超过了现有技术约 10％，F1 平均值上超过了现有技术约 30％。

Nov, 2023

本研究提出了一种双层离群分布检测框架，可同时处理领域漂移和语义漂移，通过全局低层特征和密集高层特征图来区分领域漂移和语义漂移，并能够选择性地调整模型以适应未知领域，并提高在检测新类别方面的效果。在多个离群分割基准测试中验证了所提出方法的有效性，包括存在显著领域漂移和不存在领域漂移的情况下，观察到各种基准模型的持续性性能改进。

Sep, 2023

通过引入一种轻量级模块，利用熵量测、分割预测和空间上下文来表征分割模型的不确定性，从而实时检测像素级的极端数据，同时结合生成的合成极端数据进行最大熵训练，我们的方法可以可靠地检测场景中的极端实例，并在语义分割基准测试中表现卓越。

Oct, 2023

自主车辆需要准确理解其环境以安全导航。通过识别未知物体，特别是那些在训练过程中不存在的野生动物，以防止严重事故的发生非常重要。虽然语义分割方法在异常物体的识别方面取得了重大进展，但全面理解场景动态需要分割单个物体，因此实例分割至关重要。然而，由于缺乏专门的基准测试，这一领域的发展一直滞后。为了填补这一空白，我们将最常使用的异常分割基准测试扩展到实例分割任务。我们对异常实例分割方法的评估表明，这个挑战仍然是一个未解决的问题。可以在该网站和竞赛页面找到基准网址：[insert URL]。

Jun, 2024

本文讨论了在实际场景中对特定语境下的语义异常进行评估的问题，并提出了一组以实际应用为基础的基准。我们使用一种基于多任务学习算法的方法在这些基准上取得了进展，并证明了辅助目标的提高可以改善语义感知，同时带来更好的一般化收益。

Aug, 2019