本文首次考虑图像感应异常检测中的标签级噪声问题，提出了一种基于记忆的无监督异常检测方法 SoftPatch，该方法能够有效地去噪，并在补丁级别上生成异常分数以软化异常检测边界，在各种噪声场景下，SoftPatch 在 MVTecAD 和 BTAD 基准测试上表现优于现有方法，在无噪声设置下与其他方法效果相当。

Mar, 2024

通过引入一种新颖的 CNN 模型 ——PatchMixer，我们解决了 Transformer 模型在时间序列预测任务中面临的挑战，该模型具有可以保留时间信息的排列不变自注意力机制。与传统 CNN 不同的是，我们的方法仅依赖于深度可分离卷积，可以在单一尺度的结构中提取局部特征和全局相关性。试验结果表明，与现有最先进的方法和表现最佳的 CNN 相比，PatchMixer 相对提升了分别为 3.9％和 21.2％，而且速度是最先进方法的 2-3 倍。我们将发布我们的代码和模型。

Oct, 2023

本文提出了基于深度变换网络的异常检测和诊断模型 ——TranAD。该模型采用基于注意力的序列编码器进行推断，能够快速、准确地确定异常观测值，并采用聚焦得分自制约和对抗训练等方法提高特征提取和模型稳定性。实验结果表明，TranAD 在数据和时间效率上优于现有的基准方法。

Jan, 2022

LPC-AD 是一种快速而精确的多元时间序列异常检测方法，通过降低训练时间和提高检测准确度来提升性能，利用 autoencoder、latent predictive coding 等思想构建了通用架构 LPC-Reconstruct，实现了不同训练速度和检测准确度之间的权衡。

May, 2022

时间序列异常检测仍然具有挑战性，现有方法在处理时间窗口、正常模式表示和评估指标上存在问题。本文提出了一种名为 SimAD 的基于差异性的时间序列异常检测方法，通过先进的特征提取器、EmbedPatch 编码器和 ContrastFusion 模块来增强异常检测的鲁棒性，并提出了两个新的评估指标：UAff 和 NAff。在七个不同的时间序列数据集上的实验结果表明，SimAD 相对于最先进的方法性能更好，F1 提升了 19.85%、Aff-F1 提升了 4.44%、NAff-F1 提升了 77.79%，AUC 提升了 9.69%。

May, 2024

ProtoAD 是一种基于原型的神经网络，用于图像异常检测和定位，通过提取正常图像的补丁特征，并通过非参数聚类学习正常补丁特征的原型，构建了图像异常定位网络 ProtoAD，无需训练阶段即可进行端到端的异常检测和定位。

Oct, 2023

我们的研究通过改进 Transformer 架构，提出了一种基于 Patch 机制和线性层的新型解决方案 PDMLP，用于长期时间序列预测任务，并在多个真实数据集上实现了最先进的结果。

May, 2024

该研究提出了一种新的 Patch Distribution Modeling 框架（PaDiM），可以在单类学习环境下同时检测和定位图像中的异常，通过使用预训练的卷积神经网络进行补丁嵌入，并利用多元高斯分布来获得正常类的概率表示，从而优于目前 MVTec AD 和 STC 数据集上当前最先进的方法。PaDiM 的性能好且复杂度低，适用于许多工业应用。

Nov, 2020

本文提出了 PatchMixer 架构，通过处理局部补丁和使用 MLP 聚合补丁特征，将 MLP-Mixer 的思想扩展到 3D 点云中，以提高深度网络架构的泛化性能。

Jul, 2023

本文提出了一种名为 CAN（coupled attention-based neural network）的框架，用于动态变量关系特征的多变量时间序列异常检测，通过自适应图学习方法与图关注机制相结合，基于全局 - 局部图来表示全局相关性和动态相关性，通过卷积神经网络结合时间自注意力模块来构建耦合注意力模块，实现了多层编码器 - 解码器架构进行重构和预测任务，实验结果表明 CAN 方法明显优于现有的基准方法。

Jun, 2023