多类别无监督异常检测的分层向量量化变压器

Oct, 2023

多类别无监督异常检测的分层向量量化变压器

Hierarchical Vector Quantized Transformer for Multi-class Unsupervised Anomaly Detection

Ruiying Lu, YuJie Wu, Long Tian, Dongsheng Wang, Bo Chen...

TL;DR在多类别图像异常检测中，该研究提出了一种基于向量量化和原型导向的 Transformer 层次化模型，通过离散的、具有代表性的原型来恢复正常图像，并采用原型导向的最优传输方法进行异常评估，实现了优于现有模型的性能。

Abstract

unsupervised image anomaly detection (UAD) aims to learn robust and discriminative representations of normal samples. While separate solutions per class endow expensive computation and limited generalizability, this paper focuses on building a unified framework for multiple classes. Un

unsupervised image anomaly detection vector quantization prototype-oriented transformer reconstruction-based networks hierarchical framework

发现论文，激发创造

多类无监督异常检测中基于普通 ViT 重建的探索

这篇论文研究了多类别无监督异常检测任务，采用了基于重构的方法与 Vision Transformer 相结合的简洁架构 ViTAD，提出了一种新颖的对称结构，并在多个指标上取得了最先进的结果。

Dec, 2023

VT-ADL: 用于图像异常检测和定位的视觉 Transformer 网络

本研究提出一种基于 transformer 的图像异常检测和定位网络，利用重构方法和 patch 嵌入的结合，使用高斯混合密度网络定位异常区域，同时发布了一个名为 BTAD 的现实工业异常数据集。

Apr, 2021

利用向量量化变分自编码器恢复潜空间进行异常检测

通过使用 VQ-VAEs 结合密度和基于恢复的方法，我们提出一种识别实现无监督异常检测的新方法，该方法通过对图像进行编码将概率分布建模，并将不常见的编码替换为从先验分布中采样的编码集合，通过对生成的恢复图像和原始图像之间的平均 L1 距离度量像素级的异常得分，我们对 MOOD 挑战数据集进行了测试，相比具有 VAEs 的标准重建方法，我们的方法具有更高的准确性。

Dec, 2020

Dinomaly: 多类别无监督异常检测中的简洁至上哲学

我们引入了一种名为 Dinomaly 的极简重建异常检测框架，该框架利用纯 Transformer 体系结构而不依赖于复杂设计、附加模块或专门技巧，通过在多类异常检测中提取通用和区分特征的 Foundation Transformers、使用预存在的 Dropouts 进行噪声注入技巧的 Noisy Bottleneck、自然无法聚焦的 Linear Attention 以及不迫使逐层和逐点重建的 Loose Reconstruction 四个简单组件，在 MVTec-AD、VisA 和 Real-IAD 等三个流行的异常检测基准上进行了广泛实验，我们的 Dinomaly 在这三个数据集上分别取得了 99.6%、98.7% 和 89.3% 的令人印象深刻的图像 AUROC，不仅优于目前最先进的多类 UAD 方法，而且超过了最先进的类分离 UAD 记录。

May, 2024

应用自编码器进行无监督的脑 MR 图像异常分割：一项比较研究

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

朝着节约的无监督医学图像微细异常检测

医学成像中的异常检测是一项具有挑战性的任务，可以通过无监督异常检测方法解决，该方法通过识别与正常基准模型不匹配的特征。该论文探讨了使用混合概率分布作为替代方法，以在准确性与计算需求之间取得最优化平衡，并且介绍了一个在线方法来解决大数据量下的内存使用问题，并以帕金森病患者脑部扫描的异常检测为例进行了验证。

Sep, 2023

VQUNet：量化向量 U-Net 对抗异常攻击的正则化抑制非理想噪声

引入一种新颖的噪声减小过程 Vector Quantization U-Net（VQUNet），以提供更好的鲁棒性和超越其他最先进的基于噪声减小的防御方法，对抗各种敌对攻击。

Jun, 2024

基于层次增强的单向汇聚对比学习用于异常检测

本论文提出了一种名为 UniCon-HA 的方法，通过结合监督和无监督的对比损失，明确鼓励正常样本的集中和虚拟异常样本的分散。通过软机制对每个扩增的正常样本进行重新加权，以确保纯净的集中。此外，通过采用易到难的层次化增强策略，并根据数据增强的强度在网络的不同深度进行对比聚合，以促进更高的集中。在三个异常检测设置下进行了评估，包括无标签单一类别、无标签多类别和有标签多类别，结果表明该方法在各方面均优于其他竞争方法。

Aug, 2023

基于孪生神经网络潜空间的单类支持向量机用于脑 MRI 白质高信号异常无监督检测

提出基于 Patch 自编码器的无监督异常检测方法，在多模态神经影像任务中，将单类支持向量机应用于异常检测以检测病变，评估了该模型在公共数据集 White Matter Hyperintensities (WMH) Challenge 上的性能和表现与两种最优秀的现有技术相当。

Apr, 2023

基于聚类的异常检测统一框架

本文提出了一种新颖的概率混合模型用于异常检测，建立了表示学习、聚类和异常检测之间的理论联系，并通过最大化一种新颖的考虑异常数据的数据似然性，使表示学习和聚类能够有效减少异常数据的不良影响，并共同促进异常检测。通过受物理中的引力分析启发，还设计了一种改进的异常分数，更有效地利用表示学习和聚类的联合能力。在包括 30 个不同数据集的 17 种基准方法的广泛实验中，验证了所提方法的有效性和泛化能力，超过了现有技术方法。

Jun, 2024