基于扩散模型的异常检测中，提出了一种适用于多类异常检测的扩散异常检测（DiAD）框架，包括像素空间自动编码器、与稳定扩散去噪网络相连的潜空间语义引导（SG）网络，以及特征空间预训练特征提取器。通过实验证明了该方法的有效性，并超过了多类 MVTec-AD 数据集上的最先进方法，即对于多类 MVTec-AD 数据集的本地化和检测，达到了 96.8/52.6 和 97.2/99.0（AUROC/AP）。

Dec, 2023

我们提出了一种基于无监督领域自适应的解剖标志点检测新框架，利用自我训练和领域对抗学习来处理适应过程中的领域差异，通过选择可靠的动态阈值标签进行目标领域数据的自适应，以及通过对抗训练学习领域不变特征来处理两个领域的不对齐数据分布，实验证明该方法在头影测量和肺标志点检测方面有效，显著减小了领域差距并且持续优于其他无监督领域自适应方法。

Aug, 2023

本文针对 CNN 在人脸对齐中的误差偏置问题，提出方向不各异损失和不各异关注模块来解决该问题，并将其集成到了一个名为 ADNet 的优化端到端训练管道中，最终在三个数据集中实现了最先进的性能表现。

Sep, 2021

本文提出了一种采用 LaplaceKL 目标和对抗训练框架的深度学习方法，处理具有挑战性数据的面部地标检测技术，并通过使用未标记的数据来提高模型性能，具有实时表现、实用价值，并在所有的 300W 基准测试中取得最佳效果及在人脸地标的 AFLW 数据集中排名第二。

Mar, 2019

ADMarker 是一个集成了多模态传感器和新型联邦学习算法的端到端系统，用于在自然生活环境中检测多维度 AD 数字生物标记的首个系统。ADMarker 采用了新颖的三阶段多模态联邦学习架构，能够以保护隐私的方式准确检测数字生物标记。通过一个持续四周的临床试验，ADMarker 可以准确检测全面的数字生物标记，并具有高达 93.8% 的准确度和平均 88.9% 的早期 AD 检测准确度，为 AD 临床医生提供了一个新平台，可以纵向地描述和追踪多维可解释数字生物标记、患者人口统计学因素和 AD 诊断之间的复杂相关性。

Oct, 2023

该研究论文提出了一种基于语言增强扩散模型的规划方法，该方法可以很好地捕捉语言、动作和状态之间的复杂关系，并在机器人领域实现了较高的成功率。

Oct, 2022

我们介绍了一种名为 ANDi 的新型无监督异常检测（UAD）方法，通过聚合预测去噪步骤与基于金字塔高斯噪声训练的去噪扩散概率模型（DDPMs）中的真实反向过渡之间的差异，在多种类型的异常中展现了显著优越性。

Dec, 2023

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

扩散模型在多元时间序列异常检测中显示出潜力，通过比较基线模型和使用 ROCK-AUC 指标扩展的 PA% K 协议，在合成数据集上表现优于其他模型，在真实世界数据集上表现竞争力。

Nov, 2023

本文针对解决计算机视觉和机器学习应用中涉及到的非可微目标函数和约束的优化问题所采用的交替方向乘子法，提出了一种自适应的松弛 ADMM（ARADMM）方法，旨在通过自动调节关键算法参数，实现最佳性能而无需用户监管。通过对 ARADMM 进行详细的收敛性分析，并在几个应用实例上展示了其快速实际收敛性能。

Apr, 2017