提出使用 Uncertainty Regulated Dual Memory Units 模型及 Global and Local Multi-Head Self Attention 模块来强化通过建立正常状态的描述从而更好地区分异常数据的研究方法，该方法经过在 XD-Violence 和 UCF-Crime 数据集上的实验验证，效果明显优于目前的同类研究。

Feb, 2023

本文提出了一种名为 DMAD 的新型异常检测框架，该框架采用金字塔变形模块 (PDM) 设计多样化正常情况，并通过信息压缩模块，将变形从原型嵌入中分离，以使最终的异常得分更加可靠。实验证明，DMAD 在监控视频和工业图像中均有很好的效果。

Mar, 2023

本文提出了一种基于 3D 点云和 RGB 图像的新型多模式异常检测方法 M3DM，其中采用了无监督特征融合、决策层融合和点特征对齐等技术，实验表明该方法优于现有的同类方法。

Mar, 2023

提出了一种新的异常检测模型 MLAD，该模型通过语义关系推理跨越多个系统。实验证明了 MLAD 的优越性。

Jan, 2024

本研究利用生成世界模型和无监督图像分割，重新审视无监督异常检测，并提出 UMAD 方法，其在无监督异常检测方面表现优于现有技术。

Jun, 2024

我们提出了情景适应性异常检测（SA2D）方法，利用少样本学习框架对预训练模型进行快速适应新概念。为了解决数据集的缺乏问题，我们引入了多情景异常检测（MSAD）数据集，包括从各种摄像机角度捕获的 14 个不同情景，背景中包含挑战性的变化。通过实验证明了 SA2D 的有效性，尤其是在 MSAD 数据集上进行训练。这突出了我们的方法在检测不同和不断发展的监控情景中的异常的挑战中的潜力。

Feb, 2024

该研究介绍了一个名为 MOVAD 的智能汽车实时系统，它利用只能捕捉器固定摄像头拍摄的视频进行信息提取和到不同时间段的信息关联来及时响应异常情况。该系统包含视频分析技术和短期记忆和长期记忆两个部分，能够在 DoTA 数据集的测试中取得比目前同类技术高 2.81 的准确率。

Feb, 2023

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

视频异常检测（VAD）在现代监控系统中扮演着关键角色，旨在识别真实情境中的各种异常。然而，当前基准数据集主要强调简单的单帧异常，如新颖物体检测，这种狭窄的焦点限制了 VAD 模型的进展。在这项研究中，我们主张扩展 VAD 研究，涵盖超越传统基准范围的复杂异常。为此，我们引入了两个数据集：HMDB-AD 和 HMDB-Violence，以挑战具有多样化基于动作的异常的模型。这些数据集源于 HMDB51 动作识别数据集。我们进一步介绍了一种新方法 Multi-Frame Anomaly Detection（MFAD），它建立在 AI-VAD 框架之上。AI-VAD 利用单帧特征，如姿势估计和深度图像编码，以及双帧特征，如物体速度。然后，他们应用密度估计算法计算异常分数。为了解决复杂的多帧异常，我们添加了捕捉长期时态依赖性的深度视频编码特征和逻辑回归以增强最终分数计算。实验结果证实了我们的假设，并突显出现有模型对新异常类型的限制。在简单和复杂的异常检测场景中，MFAD 表现出色。

Oct, 2023

提出了一种处理复杂图数据库的新颖图神经网络模型 ADAMM，通过无监督异常检测目标，将元数据和图级表示学习融合到统一的端到端架构中，有效地处理了有向多图和自环，并在会计和城市流动性领域的不同数据集上验证了其普适性和检测效果的优越性。

Nov, 2023