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

该论文分析了对训练重建网络起到贡献的模拟异常的关键特征，并基于这些特征提出了综合框架，结合重建方法和分离训练策略，解决了过拟合问题并避免干扰重建过程，评估结果表明该方法在对象类别方面优于现有方法，并证明其在真实场景下遇到各种意外异常具有良好的潜力。

Aug, 2023

本文提出了一种利用 “对比自监督学习” 框架进行基于深度学习的异常检测的方法，该方法能够使用大量属性和复杂的结构高效检测到网络中存在的异常，并在七个基准数据集上超越目前最先进的方法。

Feb, 2021

通过使用正则化流技术生成合成负面样本以及基于信息论准则来检测异常，可以提高密集预测任务中对混乱和异常值的鲁棒性，并在标准基准和数据集上获得最新的性能。

Dec, 2021

该研究论文提出了一种名为 ToCoAD 的两阶段训练策略，通过使用合成异常来训练判别网络，在第二阶段中使用该网络提供负面特征引导，通过自举对比学习来训练特征提取器，从而解决了当前无监督异常检测方法在特定异常类型上的困难，提高了对工业数据集中各种异常类型的泛化能力。大量实验表明，该训练策略的效果显著，该模型在 MVTec AD、VisA 和 BTAD 上的像素级 AUROC 分数分别达到 98.21％、98.43％和 97.70％。

Jul, 2024

使用无监督的数据改进框架，我们比较了训练过程中可能存在异常样本的情况下，对于异常检测 (Anomaly Detection) 任务，利用机器学习模型进行异常检测的性能，并将其与使用仅含正常样本的理想训练数据进行了比较，在多元时间序列数据的公共数据集上展示了该方法的优越性。

Aug, 2023

本文提出 SL-GAD 方法来进行图数据中的异常检测，该方法利用生成属性回归模块捕捉属性空间中的异常以及多视角对比学习模块从多个子图中挖掘丰富的结构信息来检测结构空间中的异常，实验结果表明该方法较现有方法具有更好的表现。

Aug, 2021

最近的无监督异常检测方法往往依赖于使用辅助数据集预先训练的特征提取器或经过精心设计的异常模拟样本，然而，这可能限制它们适应日益增多的异常检测任务的能力，因为辅助数据集的选择或异常模拟策略中存在先验条件。为了解决这个挑战，我们首先引入了一个无先验异常生成范式，随后在此基础上开发了一种名为 GRAD 的创新的无监督异常检测框架。GRAD 包括三个关键组成部分：（1）一个扩散模型（PatchDiff），通过保留局部结构而忽略正常图像中存在的全局结构，生成对比模式；（2）一种自监督加权机制来处理 PatchDiff 生成的长尾和无标签对比模式的挑战；（3）一个轻量级的基于补丁的检测器，以有效区分正常模式和重新加权的对比模式。PatchDiff 生成的结果有效地暴露了各种类型的异常模式，例如结构和逻辑异常模式。此外，在 MVTec AD 和 MVTec LOCO 数据集上进行的大量实验证明了前述观察结果，并展示了 GRAD 在异常检测准确性和推理速度方面的竞争力。

Dec, 2023

通过合成验证数据的方法，我们提出了一个用于评估基于图像的异常检测器的通用框架，该框架与其他基于真实验证集的方法选择相同的模型和超参数，并在各种实验中表现出最佳的异常检测准确性。

Oct, 2023

通过引入并行网络分支，以失真图像作为额外的差异信号来补充原始图像，我们的 Discrepancy Deepfake Detector (D^3) 框架能够学习来自多个生成器的通用特征，从而在对抗各种生成模型时实现更好的泛化和鲁棒性。

Apr, 2024