提出了一种测试时间训练策略来改善异常检测与分割的分割性能，并通过在 MVTec AD 和 MVTec 3D-AD 上进行广泛的实验和评估来证明了该策略的有效性。

Apr, 2024

基于新提出的工业场景视频异常检测数据集和方法，填补了工业视频异常检测领域的空白，推动了视频理解任务和智能工厂部署的进程。

Apr, 2024

提出了一个大规模、真实世界的多视角工业异常检测数据集（Real-IAD），包含 30 种对象的 15 万张高清图片，相比现有数据集大一个数量级。该数据集具有更大范围的缺陷区域和比例，具有更高的挑战性。在提供了常用 IAD 方法在该数据集上的结果后，为推动 IAD 领域的发展提供了一个极具挑战性的基准。

Mar, 2024

工业机器人中的异常检测及其在机器人应用中的数据集和基准方法介绍和评估。

Nov, 2023

对视觉异常检测进行了全面的调查，发现了样本数量、数据模态和异常层次结构等方面的主要挑战，并汇总了未来发展的方向和该调查的主要发现和贡献。

Jan, 2024

本文介绍了一种新的组件感知异常检测框架 (ComAD)，该框架利用轻量级和几乎不需要训练的无监督语义分割模型将图像分割成多个组件，并通过建模每个组件和它们之间的关系来实现可调节的和逻辑异常检测，该框架在图像级逻辑异常检测方面取得了最新的性能，并且将产品图像分成多个组件提供了一个新的视角，具有在模型定制、噪声抵抗和异常分类方面巨大的潜力。

May, 2023

本研究探讨异常检测在图像领域的深度学习方法，通过在 ImageNet 数据集上与现有深度学习算法和少量随机自然图像进行比较，发现多尺度图像数据的结构特点可以提高异常样本的识别效果。

May, 2020

本文提出了 AeBAD 工业异常检测数据集，探讨了当前最优算法在检测测试集中正常样本的领域移位问题，并提出了一种名为 MMR 的新方法，通过遮蔽重构任务增强模型对正常样本中补丁之间因果关系的推断能力。该方法在 AeBAD 数据集上表现出优秀的性能。

Apr, 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

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