本文提出了一种基于显著性引导的数据增强方法，SaliencyCut，用于创建伪异常来更好地训练开放式精细异常检测模型，并在包括六个真实世界异常检测数据集在内的各种设置下，证明了该方法比基线和其他最先进的方法更为优越。
Jun, 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
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
本文通过对三种不同模型以及 420 种不同任务的广泛实验，认真研究了数据增强在异常检测中的作用，得出自监督作为另一个模型超参数，需要根据真实异常特征仔细选择数据增强方式的结论，并且在缺乏对应的情况下，自监督甚至会降低准确性，从而为未来的研究提供了新的方向
Aug, 2022
本文提出了一种独特的算法 DSLAD，它是一种自监督方法，可将异常检测的异常磨合和表示学习分离。DSLAD 使用双线性池化和掩蔽自编码器作为异常磨合器。通过解耦异常磨合和表示学习，构建了一个平衡的功能空间，节点之间的语义辨别性更强，同时可以解决数据分布失衡问题。在各种六个基准数据集上进行的实验表明 DSLAD 的有效性。
Apr, 2023
使用条件生成对抗网络，将输入图像映射到较低的维度向量，从而最小化训练时这些图像和潜在向量之间的距离，学习正常样本的数据分布，并在推理时利用学习到的数据分布，在各种基准数据集上表现出比先前最先进方法更好的模型性能
May, 2018
应用空间感知注意力生成对抗网络 (SAGAN) 对医学图像异常检测进行半监督生成，通过定位编码和注意力机制精确聚焦于修复异常区域并保留正常区域，利用生成的健康图像与原图像的差异作为异常分数，实验证明 SAGAN 在三个医学数据集上的性能优于现有方法。
May, 2024
通过多模态数据和自监督特征适应方法，本文在工业异常检测领域提出了一种局部到全局的自适应特征调整方法，显著提高了特征嵌入方法的性能，并取得了超越之前最先进方法的显著成果。
Jan, 2024
本文提出使用少量已知异常数据的监督学习方法来检测所有异常数据。本文采用了一种新颖的边界辅助半推半拉对比学习机制，以增强模型的可区分性，并减轻偏差问题。该方法基于两个核心设计：第一，找到一条明确而紧凑的分离边界，将其作为进一步特征学习的指导；第二，使用边界辅助半推半拉损失将正常特征拉在一起，将异常特征推离分离边界。这样，我们的模型可以形成一个更为明确和可区分的决策边界，更加有效地区分已知和未知异常。
Jul, 2022
该研究提出了一种基于显著性引导的图像分割网络，利用自我注意力显著性方法生成微妙的显著性地图，并通过点种植区域生长方法将地点线索扩展为像素级标签，从而生成具有区分性的对象区域。实验结果表明，该方法有效降低了显著性噪声的影响，提高了弱监督图像分割的准确性。
Oct, 2018