本篇文章提出了一种新的、基于分形图像的优化预训练数据集的方法，该数据集可以在零成本的情况下实现完美的分类准确性，无需存储 / 传输巨大的图像存档，没有隐私 / 族群偏见 / 不当内容的担忧，并且图像有无限的供应和多样性。实验结果表明，利用这种新的预训练任务和基于分形的预训练方法 Fine-tune 网络可以达到 92.7-98.1% 的 ImageNet 预训练网络的准确性。

Oct, 2021

该论文提出了一种新颖的概念 —— 公式驱动的监督学习，利用分形形象自动生成命名类别标签，从而实现图像预训练，尽管所提出的 FractalDB 预训练模型在所有设置中并未完全胜过人类注释的数据集，但在部分情形下其预测准确率优于 ImageNet/Places 预训练模型，并且所提出的 FractalDB 可以捕捉卷积层和注意力可视化中的独特特征。

Jan, 2021

使用循环谐波的新方法，探讨了基于轮廓的合成数据集的设计空间，发现增加数据集中的图像数量和种类是关键因素，在新数据集 VisualAtom-21k 上进行预训练后，fine-tuning 在 ImageNet-1k 上的 top-1 准确率达到了 83.7％，与 JFT-300M 预训练相比，图像数量缩小到 1/14，解决了真实图像所带来的问题。

Mar, 2023

本文提出了一种基于 Feature-Augmented VAE 的复杂异常模型的新 VAE 模型，该模型不仅在像素空间中重构输入图像，而且还在多个不同的特征空间中进行重构，通过对先前训练的卷积神经网络进行计算，对 MVTec 异常检测和定位数据集的表现明显优于现有最先进的方法。

Aug, 2020

通过研究分形维度如何随测量尺度变化来提供对象复杂性的统计指标，本研究调查了深度模型学习的特征，以及这些深度网络是否能够编码像分形维度这样复杂和高级的特征。研究表明深度网络无法在任何层次中提取这样的特征，而仅操作分形特征的模型在某些应用中的分类任务中可显着提高准确性，且相对于原始数据训练的深度网络而言，所需计算资源较少。

Jan, 2024

本文比较了四种现代图像分类网络提取 features 的结果，并研究了不同的特征标准化技术的使用。结果表明，当使用 CNN 特征进行异常检测时，选择适当的标准化方法对于提高性能至关重要。

Nov, 2018

本文提出了一种基于无监督分割的异常检测方法，使用多尺度区域特征生成器从预训练的深度卷积网络中生成描述子区域的特征，借助这些特征设计一个深度自编码器并通过快速特征重建对图像中的异常区域进行检测，该方法在多个基准数据集上取得了最新技术进展，并具有实际应用潜力。

Dec, 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

基于数学公式生成的合成图像的预训练方法（FDSL）通过数据增强替代了显式生成实例，证实其性能优于原始数据集，从而打开了使用更小数据集进行预训练视觉转换的新可能性。

Jul, 2023

本文研究使用深度预训练神经网络提取特征的传统离群值检测技术在 MVTec Anomaly Detection 数据集上交出的出色成绩在全无监督场景下的鲁棒性，提出了一种简单的单类分类策略（SROC），并证明其在与现有文献中更复杂的策略竞争时具有更好的性能。

Feb, 2022