利用 CLIP 在与 ID 样本相邻的空间中发现 ID 样本的异常值从而帮助检测最具挑战性的 OOD 样本，进而利用这些异常值进一步提升 OOD 检测中 CLIP 的效能，在各种真实世界图像数据集上表现出卓越的少样本学习性能（例如，在 ImageNet-1k 数据集上的 4 样本 OOD 检测中，与现有最先进方法相比，我们的方法将平均 FPR95 降低了 12.16％，平均 AUROC 提高了 2.76％）。

Nov, 2023

本文探讨了如何通过多模态概念匹配框架来评估诸如 CLIP 等最新视觉语言模型的 fine-tuning 方法对于少样本下游任务的超出分布检测性能的影响，并发现所选的 ODD 得分方法至关重要，MCM 得分方法表现最佳，prompt learning 在超出分布检测性能上表现最好。

Jun, 2023

我们介绍了一种名为 LoCoOp 的新方法，它针对 few-shot OOD 检测进行本地正则化的上下文优化，利用 CLIP 本地特征的部分作为 OOD 特征，并展示了它在大规模 ImageNet OOD 检测基准测试中的优越性。

Jun, 2023

本文介绍了一种利用对比性训练来提高机器学习系统检测异常数据输入的方法，通过引入和使用混淆对数概率得分来量化数据集的内离散度，作者证明了这种方法在 “近 OOD” 类的性能较先前方法有所提高。

Jul, 2020

通过负面提示学习，在 ID 和 OOD 图像之间界定边界，以解决存在于开放词汇学习场景中的高误报率，超越了现有的基于提示学习的 OOD 检测方法，并在闭合和开放词汇分类场景中保持了一致优势。

Apr, 2024

利用大规模和多样化的离群类别标签作为提示并通过离群样本生成模块增强零样本离群检测，实验结果表明 Outlier Label Exposure （OLE）对于大规模离群检测和难样本离群检测具有显著提升和创新性的性能。

Jun, 2024

CLIPScope 是一种零样本 OOD 检测方法，通过类似 Bayesian 后验更新的方式归一化样本的置信度得分，并利用大型词汇数据库挖掘最远和最近于 ID 类的类标签，以最大化覆盖 OOD 样本，经过广泛的消融研究和实证评估，展示了 CLIPScope 在各种 OOD 检测基准中的最先进性能。

May, 2024

我们提出了一种通用方法，用于在针对下游少样本任务进行精调时提高预训练视觉 - 语言模型 (VLMs) 的泛化能力。该方法利用了超出分布（OOD）检测来预测样本是否属于基本分布或新颖分布，然后使用由专门的竞争性评分函数生成的分数来融合零样本和少样本分类器。融合的分类器是动态的，如果样本更可能来自预先训练的分布，则会偏向于零样本分类器，从而提高基本到新颖的泛化能力。我们的方法仅在测试阶段执行，适用于提升现有方法而无需耗时的重新训练。大量实验证明，即使是弱分布检测器也可以改进 VLMs 的泛化能力。具体来说，在基本到新颖的设置中，在 11 个识别数据集上，借助 OOD 检测器，CoOp 和 ProGrad 的调和平均数分别提高了 2.6 和 1.5 个百分点。

Mar, 2024

该文章从预训练功能提取器、视觉超出分布（OOD）检测、语言图像预训练模型、对抗性操纵的 OOD 图像和视觉异常检测等方面进行了全面实验研究，证明了使用最近邻特征相似度作为 OOD 检测得分的对比语言 - 图像预训练模型实现了最先进的无监督 OOD 性能，同时可以在无内部分布微调的情况下获得有监督的最先进 OOD 检测性能，并指出需要基于实验研究建立新的视觉异常检测基准。

Mar, 2023

我们提出了一种基于先验的无需训练的双适配器（Dual-Adapter）方法，在文本和视觉角度上检测来自不同类别的未见样本，创造性地利用先前被忽视或干扰的特征，在训练数据集中突显与区分 ID 和 OOD 样本，通过广泛的实验结果在四个基准数据集上证明了 Dual-Adapter 的优越性。

May, 2024