我们提出了一种从像素分类到掩膜分类的方法，通过集成异常检测方法于掩膜分类体系结构中实现对异常的改进。该方法包括全局掩膜注意力模块、掩膜对比学习和掩膜细化解决方案，能够在多项基准测试中实现最新的、基于像素和组件级别的性能。Mask2Anomaly 方法通过减少平均误报率 60% 达到了最新的最先进性能。

Jul, 2023

提出了一个名为 Maskomaly 的异常分割框架，其通过简单的推理后处理步骤扩展了基于掩模的标准语义分割网络，并且在训练过程中不需要异常数据，在 SMIYC、RoadAnomaly 和 StreetHazards 数据集上实现了最佳结果，并引入了一种有益于稳健异常分割方法开发的新指标，在 RoadAnomaly 数据集上证明了其信息量的可靠性。

May, 2023

提供一种新的架构 Mask2Former，该架构通过应用掩蔽注意力机制提取局部特征来解决多种类型的图像分割任务，包括全景分割、实体分割和语义分割，并且优于当前最佳的专门任务架构。

Dec, 2021

基于 Vision Transformer 架构和 Patch 掩蔽技术的图像异常检测方法，将输入图像分成多个分辨率的 Patch，在忽略异常信息的同时对周围数据进行重建，相较传统方法性能更好，MVTec 和 head CT 等数据集上实现了良好的结果。

Oct, 2022

通过使用不确定区域指导细分异常实例的模型和强大的对象先验，我们提出了一个能够准确检测道路异常物体的方法，优于当前的像素级异常分割方法，实验结果在 Fishyscapes Lost and Found 和 RoadAnomaly 验证集上分别达到了 80.08% 和 88.98% 的平均准确率。

Aug, 2023

在密集识别任务中，采用基于掩码预测的方法可以有效提高对异常情况的识别性能，该方法有效减少了边界处的假阳性响应。在无负面数据训练的情况下，该方法在 outlier-aware 语义分割任务中取得了最新的最佳性能，并在最近的 panoptic setup 中取得了进一步的性能提升。

Jan, 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

本文提出一种基于不确定性信息和重新合成图像之间的差异信息相结合的像素级异常检测框架，旨在提高语义分割领域关键的自动驾驶系统的鲁棒性和性能表现。

Mar, 2021

本文提出了一种新型的异常分割网络（AnoSeg），能够使用自监督学习直接生成准确的异常图，并通过像素精度和对抗损失以及坐标通道拼接等三种新技术保证异常分割的高精度性能。我们的实验表明，该方法优于目前 MVTec AD 数据集上的现有异常检测和异常分割方法，通过 IoU 指标也证明了其在异常分割方面的优越性。

Oct, 2021

提出了基于掩膜分类模型的方法 MaskFormer，通过预测一组二进制掩膜，使语义分割和全景分割任务的解决变得统一，并在各项指标上实现了优秀的实验结果。

Jul, 2021