本论文研究了利用后向传播梯度作为表示以检测异常的方法。实验证明，这种基于梯度的方法在基准图像识别数据集上达到了最先进的异常检测性能，并且与依赖于对抗网络或自回归模型的其他最先进的方法相比，这种方法具有更高的计算效率和更简单的结构。

Jul, 2020

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

最近的无监督异常检测方法往往依赖于使用辅助数据集预先训练的特征提取器或经过精心设计的异常模拟样本，然而，这可能限制它们适应日益增多的异常检测任务的能力，因为辅助数据集的选择或异常模拟策略中存在先验条件。为了解决这个挑战，我们首先引入了一个无先验异常生成范式，随后在此基础上开发了一种名为 GRAD 的创新的无监督异常检测框架。GRAD 包括三个关键组成部分：（1）一个扩散模型（PatchDiff），通过保留局部结构而忽略正常图像中存在的全局结构，生成对比模式；（2）一种自监督加权机制来处理 PatchDiff 生成的长尾和无标签对比模式的挑战；（3）一个轻量级的基于补丁的检测器，以有效区分正常模式和重新加权的对比模式。PatchDiff 生成的结果有效地暴露了各种类型的异常模式，例如结构和逻辑异常模式。此外，在 MVTec AD 和 MVTec LOCO 数据集上进行的大量实验证明了前述观察结果，并展示了 GRAD 在异常检测准确性和推理速度方面的竞争力。

Dec, 2023

该文提出了一种基于 Transformer 的多分辨率特征引导方法 GTrans，用于无监督异常检测和定位。GTrans 通过利用 AGN 模型在提取特征和标记方面的教导来实现异常检测与定位，在 MVTec AD 数据集上获得了最优秀的检测和定位性能。

May, 2023

本文提出了一种基于无监督学习的异常检测方法，其中使用内存模块记录正常数据的原型模式，并提出了新的特征紧凑性和分离性损失来训练内存以提高区分能力和识别准确性。该方法在标准基准测试中表现良好，优于现有技术。

Mar, 2020

使用全局正则化邻域回归（GRNR）方法，无需训练数据或成本，从测试纹理图像中提取局部邻域先验和全局正常先验以进行异常检测，并在各种工业场景中验证了该方法的有效性。

Jun, 2024

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

本文提出了一种名为 GradNorm 的基于梯度空间的方法，通过利用从梯度空间提取的信息来检测异常数据，可以降低平均误警率（FPR95）高达 16.33％，相对于现有最佳方法效果更好。

Oct, 2021

通过引入合成异常样本和空间自适应特征融合方案，本文提出了一种全局和局部自适应扩散模型（GLAD）用于无监督异常检测，增加了灵活性并实现了无异常的重构，同时保留了尽可能多的正常信息。

Jun, 2024

本文提出一种新的方法，利用联合生成和判别建模构建一个多元高斯分布来解决传输学习中的灾难性遗忘问题，并将其用于异常检测任务中。实验结果表明该方法在异常检测任务中达到了新的最优性能，并与先前的成果相比实现了可比较的异常分割性能。

Aug, 2021