Dec, 2023

一次制作，两次利用的异常检测

PDF
TL;DRPOUTA 是一种用于视觉异常检测的方法，通过利用重构网络中的判别信息潜力，提高了准确性和效率，并且能够精确定位异常区域。
visual anomaly detectionembedding-based methodsreconstruction-based methodsanomaly locationfew-shot anomaly detection
发现论文，激发创造
  • 重新思考基于重构自编码器的异常检测

    使用基于重构自编码器的方法处理离群样本检测问题，通过最大化压缩自编码器的潜在空间、语义重构、数据置信度分解和归一化 L2 距离等策略有效地提高方法性能，达到了各类基准测试的最新技术水平。

    Mar, 2022

  • PUAD: 强大异常检测的令人沮丧地简单方法

    开发准确快速的异常检测模型是实时计算机视觉应用中的重要任务，本研究关注使用基于特征空间的越界检测方法来检测逻辑异常并在 MVTec LOCO AD 数据集上取得了最先进的性能。

    Feb, 2024

  • Divide-and-Assemble: 学习分块存储的记忆以进行无监督异常检测

    本文提出了一种自动编码器框架中的分割 - 组装策略，并引入了多尺度块状记忆模块和对抗学习以改进无监督图像异常检测的性能。

    Jul, 2021

  • 基于重构误差的少量异常样本检测

    探索如何使基于重构误差的神经网络模型在发现异常值时可以将已知的异常值排除在正常数据的范畴之外，并利用一些有限的异常数据来增加正常数据和异常数据之间的差异以提高异常检测的性能。

    May, 2023

  • 学习不重构异常

    本文提出了一种新的方法，通过训练自编码器（AE）模型重建正常数据，并使用生成的伪异常数据模拟数据分布，以有效改善基于 AE 的视频异常检测方法。在三个具有挑战性的视频异常检测数据集上的实验结果表明了该方法的有效性和优于传统方法的性能。

    Oct, 2021

  • ReContrast：通过对比重构实现领域特定的异常检测

    本文提出了一种名为 ReContrast 的 UAD 方法，通过特征重构和对整个网络进行优化，实现了对目标领域的训练和检测能力，实验结果表明该方法在工业缺陷检测和医学图像 UAD 任务中具有优越性。

    Jun, 2023

  • 汇集重构误差用于外部分布检测

    本文提出了一种新的方法，即基于重构误差聚合探测器 (READ)，旨在通过同时使用分类器的不一致性和自动编码器的重构误差检测特定的 ID 和 OOD 样本，并且在预培训和重新培训两种情况下提出了两种变体。与先前的 OOD 检测算法相比，我们的方法不需要接触测试时间 OOD 数据来微调超参数，并且在对 CIFAR-10 进行广泛比较时，我们的方法将平均 FPR@95TPR 降低了高达 9.8％。

    Jun, 2022

  • 利用测试时间增强和一致性评估进行异常检测

    本文提出一种针对神经网络对未知数据的检测算法，名为 TTA-AD，借鉴了一种新的观察方法，实验证明 TTA-AD 在不同高效图像基准数据集下，运行时间比现有基于分类器的算法下降了 60%~90% 且具有可比较或更好的检测性能。

    Jun, 2022

  • 基于时空伪异常生成的视频异常检测：一种统一方法

    通过使用预先训练的潜在扩散模型修复被屏蔽区域图像，并进一步通过混合来扰动光流以产生时间空间扭曲，提出了一种新的生成通用时空伪异常的方法。此外，通过学习重建质量、时间不规则性和语义不一致性等三种异常指标的简单统一框架，在开放集识别任务下检测现实世界的异常。在 Ped2、Avenue、ShanghaiTech 和 UBnormal 四个 VAD 基准数据集上进行了大量实验，证明我们的方法在 OCC 设置下的性能与其他现有的基于伪异常生成和重建的方法相当。同时我们的分析还检验了伪异常在这些数据集之间的可转移性和普适性，通过识别伪异常从而发现现实世界的异常提供了有价值的见解。

    Nov, 2023

  • 提升表面异常检测的切除与恢复：基于注意力的单一确定性掩码

    表面检查中的异常检测是制造业中一项重要且具有挑战性的任务，我们提出了一种名为 Excision and Recovery（EAR）的新型重建方法，通过单一确定性掩模来屏蔽潜在的疑似缺陷区域，用于异常检测。通过实验证明，EAR 模型在异常检测性能和吞吐量方面均优于现有方法。

    Oct, 2023