本文探讨了正则化流在检测异常数据方面的性能问题，发现正则化流架构具有局部像素相关性和通用图像到潜空间转换的缺陷，并通过修改它的架构，使其更好地适应特定数据语义结构，进而提高检测性能。

Jun, 2020

为了在现实世界中实现可靠的自主机器人部署，对 Out-of-Distribution (OOD) 检测能力的需求很高。基于密度估计和归一化流的 OOD 检测是一种有效方法，但之前的工作尝试使用简单的基础分布拓扑地匹配复杂的目标分布，导致了不利的影响。本文通过使用一个具有表达力的类条件基础分布，基于信息论目标来匹配所需的拓扑结构，从而避免了这种拓扑不匹配问题。所提出的方法在不降低性能和最小化计算开销的同时，提高了 OOD 检测能力。我们在密度估计和 2D 对象检测基准测试中，与广泛的基线模型相比，展现了卓越的结果。此外，我们还展示了该方法在实际机器人部署中的适用性。

Nov, 2023

使用低维流形的测度和距离作为离群检测的标准，实验结果表明流形学习改善了归一化流这一类基于似然模型的离群检测能力，而无需修改模型结构或使用训练期间的辅助离群数据。

Aug, 2023

本研究提出了使用 2D 归一化流来实现概率分布估计的 FastFlow，并将其作为插件模块与 ResNet 和视觉变换器等任意深度特征提取器一起使用，以进行无监督的异常检测和定位。实验结果表明，FastFlow 在准确性和推理效率方面优于以前的状态 - of-the-art 方法，其在异常检测方面达到了 99.4％的 AUC。

Nov, 2021

研究重点是解释深度生成模型中的异常现象机制，提出了 “图像复杂性” 的独立变量概念，并在实验中证明了该问题的有效缓解方法，并在另一个深度生成模型（PixelCNN++）中提供了其假设的潜在应用证据。

Feb, 2024

提出了一种基于可逆规范化流模型的异常检测方法，通过学习所有合法目标类别的联合数据分布，能够在生成的异常特征具有低于所有目标类别合法物体的低可能性的同时，建模更好的入侵对象和异常对象的决策边界，在图像和视频数据集中显著优于现有的技术。

Feb, 2023

本文研究使用非参数最近邻距离方法进行开放世界中一类重要任务：Out-of-distribution 检测，不同于先前的研究，该方法不施加任何分布假设，因此具有更强的灵活性和普适性，在多个基准测试中证明了其有效性，并且相对强基线的 Mahalanobis 距离方法，显著降低了 24.77% 误报率 (FPR@TPR95)。

Apr, 2022

提出了使用正则化流（normalizing flow）结构的基于能量模型（energy-based model）的检测器 FlowEneDet，可以在不重新训练的情况下扩展早先投入使用的语义分割模型，并在 Cityscapes，Cityscapes-C，FishyScapes 及 SegmentMeIfYouCan 四个基准测试集上实现了良好的检测成果。

May, 2023

本研究提出了一种简单的框架，其中通过使用特征图的范数和范数比率测量每个块的 OOD 检测性能，并使用拼图图像作为伪 OOD, 来选择提供最大区别的块，并展示了我们的框架可以泛化到各种体系结构并提高先前的 OOD 检测方法的性能。

Dec, 2022

通过引入 T2FNorm 方法，在保持神经网络准确度的情况下，显著提高了进行 Out-of-Distribution 检测的精度，并有助于解决神经网络的过度自信问题。

May, 2023