这篇论文探讨了工业多模态异常检测任务，利用点云和 RGB 图像来定位异常。我们介绍了一种新颖且快速的框架，它学习将一个模态中的特征映射到另一个模态的正常样本上。在测试时，通过定位观察到的特征和映射特征之间的不一致性来检测异常。大量实验证明，我们的方法在 MVTec 3D-AD 数据集的标准和少样本设置中实现了最先进的检测和分割性能，同时实现了更快的推理速度和更低的内存占用，优于先前的多模态异常检测方法。此外，我们提出一种层裁剪技术，在性能上略有损失的同时提高了内存和时间效率。

Dec, 2023

我们提出了一种新颖的子空间感知特征重构框架，用于异常定位，通过学习低维子空间的自表达模型实现自适应特征逼近，从而减少内存需求并实现与最先进方法相媲美的异常定位性能。

Sep, 2023

在线自适应异常检测利用转移学习，选择视觉上相似的训练图像，并根据训练子集提取的 EfficientNet 特征在线拟合一个正常模型，通过计算测试图像特征与正常模型之间的马氏距离来进行异常检测，实验结果表明检测精度超过 0.975，优于现有的 ET-NET 方法。

Jun, 2024

在无监督领域自适应任务中，本文提出了一种名为 PTSFA 的新方法，重点在于分类器适应性，通过渐进式目标样式特征增强来使分类器能够识别目标领域样式的源特征，并逐渐适应目标领域。本方法在基准数据集上验证，达到了最新的最优性能。

Nov, 2023

本文提出一种少样本异常检测方法，通过注册任务作为代理任务，训练一个通用的无类别模型来检测输入图像是否为异常，并在大型基准测试中实现了优于现有方法 3％-8％的表现。

Jul, 2022

稀缺的注释数据，尤其是罕见疾病的数据，限制了训练数据的多样性和可检测病变的范围，对医学影像中的监督异常检测提出了重大挑战。为了解决这个问题，我们提出了一种新的无监督医学图像异常检测方法：Attention-Augmented Differentiable top-k Feature Adaptation (ADFA)。该方法利用在 ImageNet 上预训练的 Wide-ResNet50-2 (WR50) 网络提取初始特征表示。为了减少通道维度，同时保留相关通道信息，我们在提取的特征上使用了增强型注意力补丁描述符。然后，我们应用可微分的 top-k 特征适应方法来训练补丁描述符，将提取的特征表示映射到一个新的向量空间，实现有效的异常检测。实验结果显示，ADFA 在多个具有挑战性的医学影像数据集上优于最先进的（SOTA）方法，证实了其在医学异常检测中的有效性。

Aug, 2023

本研究提出了一种新的基于预训练卷积神经网络的特征异常检测算法（FADS），它无需调整 CNN 权重就能表现出优秀的性能，能够准确地检测工业自动化和零部件质量保证中的异常情况，同时可以用于增材制造和过程参数变化检测。

Apr, 2022

通过提出自监督特征适应（SSFA）方法，解决了传统半监督学习在标记和未标记数据分布不一致时预测错误伪标签的问题，从而提高了半监督学习性能。

May, 2024

本研究提出了一种利用显著性引导来增强语义线索进行图像数据异常检测的方法，并通过交换像素对的位置生成逼真的负样本，以提供高质量特征学习的性能。

Nov, 2023

该论文研究了在工业应用中从图像中检测异常模式的关键人工智能技术，提出了一种少样本在线异常检测和分割的框架，通过利用包含正常和异常样本的无标签数据来提高模型性能，使用神经气体网络对正常图像的特征分布进行建模，采用从预训练的 ImageNet 中提取的多尺度特征嵌入来获得鲁棒的表示，同时引入一种能够增量更新参数而无需存储先前样本的算法。实验结果表明，该方法在 FOADS 设置下能够取得显著的性能，并确保时间复杂度在可接受范围内。

Mar, 2024