PUAD: 强大异常检测的令人沮丧地简单方法
医学成像中的异常检测是一项具有挑战性的任务，可以通过无监督异常检测方法解决，该方法通过识别与正常基准模型不匹配的特征。该论文探讨了使用混合概率分布作为替代方法，以在准确性与计算需求之间取得最优化平衡，并且介绍了一个在线方法来解决大数据量下的内存使用问题，并以帕金森病患者脑部扫描的异常检测为例进行了验证。
Sep, 2023
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
本文提出了一种新颖的概率混合模型用于异常检测，建立了表示学习、聚类和异常检测之间的理论联系，并通过最大化一种新颖的考虑异常数据的数据似然性，使表示学习和聚类能够有效减少异常数据的不良影响，并共同促进异常检测。通过受物理中的引力分析启发，还设计了一种改进的异常分数，更有效地利用表示学习和聚类的联合能力。在包括 30 个不同数据集的 17 种基准方法的广泛实验中，验证了所提方法的有效性和泛化能力，超过了现有技术方法。
Jun, 2024
该研究通过对不同基准和图像模态的大规模评估，表明目前最流行的无监督离群检测方法无法一致地优于基于预训练特征和 Mahalanobis 距离的简单异常检测器，并基于对训练数据集中的不变性的表征提出了一个无监督离群检测的特征描述，该特征被运用在 MahaAD 方法中，解释了其质量，并能用于解释无监督离群检测器的预测并提供未来评估的见解。
Nov, 2021
该研究提出了一种新的两流对象感知 VAD 方法，通过图像转换任务学习正常的外观和动态模式，检测偏离学习正常模式的异常情况，并在三个数据集上表现有竞争力。
May, 2022
我们引入了一种名为 Dinomaly 的极简重建异常检测框架，该框架利用纯 Transformer 体系结构而不依赖于复杂设计、附加模块或专门技巧，通过在多类异常检测中提取通用和区分特征的 Foundation Transformers、使用预存在的 Dropouts 进行噪声注入技巧的 Noisy Bottleneck、自然无法聚焦的 Linear Attention 以及不迫使逐层和逐点重建的 Loose Reconstruction 四个简单组件，在 MVTec-AD、VisA 和 Real-IAD 等三个流行的异常检测基准上进行了广泛实验，我们的 Dinomaly 在这三个数据集上分别取得了 99.6%、98.7% 和 89.3% 的令人印象深刻的图像 AUROC，不仅优于目前最先进的多类 UAD 方法，而且超过了最先进的类分离 UAD 记录。
May, 2024
本研究提出了一种使用深度学习和多元高斯模型相结合的方法来进行图像中的异常检测，该方法通过预先训练大规模图像数据集上的分类器来建立正常图像的模型，使用马氏距离作为异常得分，可以在 MVTec AD 数据集上获得 95.8±1.2 的 AUROC 值，并探究了该方法在图像中异常检测中的可行性和影响因素。
May, 2020
提出了一种名为约束对比度分布学习（Constrained Contrastive Distribution learning）的自监督表征学习方法，用于无监督异常检测，它可以学习精细的特征表征，对于肠镜和底片筛查数据集的异常检测优于当前最先进的无监督异常检测方法。
Mar, 2021
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