该论文提出 Contrastive Analysis VAE (CA-VAEs) 方法来解决 VAE 中存在的信息共享和捕捉所关注的变化因素的问题，并使用两个关键的规则化损失（common-salient 表示的分离项和在 salient 空间中对背景和目标样本的分类项）进行改进。实验证明 CA-VAEs 在医学应用和自然图像数据集 CelebA 上的表现优于先前的方法。

Jul, 2023

本文介绍了一种结合对比学习和深度生成模型的对比变分自编码器 (cVAE)，旨在通过训练共享特征和不同特征的模型来发现和增强突出的潜在特征。实验表明，cVAE 可以有效地发现在特定分析中显著的潜在结构。

Feb, 2019

基于对比学习和信息最大化准则，我们提出了一种名为 SepCLR 的方法，用于学习适用于对比分析的语义表达，通过最大化和最小化两个互信息项，并采用新颖的最小化互信息策略来防止常见和显著分布之间的信息泄露。

Feb, 2024

本文提出一种基于最大平均差异的对比 VAE 模型，用于隔离数据集中与任务有关的变异，提高对比分析性能。经过对三个具有挑战性的对比分析任务的定量与定性分析，本方法相较于之前的最新技术有更好的表现。

Feb, 2022

对比分析（CA）是发现目标领域与背景领域之间的共性和差异的研究，本文介绍了基于 GAN 和 InfoGAN 的 Double InfoGAN 方法，通过高质量的图像生成和信息分离，提升了 CA 的潜在分离能力和图像质量。

Jan, 2024

最近的无监督异常检测方法往往依赖于使用辅助数据集预先训练的特征提取器或经过精心设计的异常模拟样本，然而，这可能限制它们适应日益增多的异常检测任务的能力，因为辅助数据集的选择或异常模拟策略中存在先验条件。为了解决这个挑战，我们首先引入了一个无先验异常生成范式，随后在此基础上开发了一种名为 GRAD 的创新的无监督异常检测框架。GRAD 包括三个关键组成部分：（1）一个扩散模型（PatchDiff），通过保留局部结构而忽略正常图像中存在的全局结构，生成对比模式；（2）一种自监督加权机制来处理 PatchDiff 生成的长尾和无标签对比模式的挑战；（3）一个轻量级的基于补丁的检测器，以有效区分正常模式和重新加权的对比模式。PatchDiff 生成的结果有效地暴露了各种类型的异常模式，例如结构和逻辑异常模式。此外，在 MVTec AD 和 MVTec LOCO 数据集上进行的大量实验证明了前述观察结果，并展示了 GRAD 在异常检测准确性和推理速度方面的竞争力。

Dec, 2023

本文描述了 Diffusion-Decoding (VAE) 模型，该模型使用经过学习的扩散先验来提高生成质量和对比自监督学习来提高表示质量，可以在仅有 100 个标记示例的情况下适应标记或约束条件的新生成任务，并在条件生成和图像操作中取得了优异的性能和速度。

Jun, 2021

本文提出一种基于 Vision Transformer 的无监督异常检测网络，利用分层任务学习和人类经验来增强其可解释性，可以有效解决高维空间中非线性模型拟合的问题和纹理变化对算法鲁棒性的挑战，并在公开数据集上取得了 99.8% AUC 的表现，优于现有最先进方法。

Jul, 2022

提出了一种名为约束对比度分布学习（Constrained Contrastive Distribution learning）的自监督表征学习方法，用于无监督异常检测，它可以学习精细的特征表征，对于肠镜和底片筛查数据集的异常检测优于当前最先进的无监督异常检测方法。

Mar, 2021

提出了一种基于深度学习和变分自动编码器的医学图像寻找异常度量的解决方案，其中尤其强调了基于 Kullback-Leibler (KL) 分歧的异常定位算法，实验证明它具有比现有方法更好的性能。

Jul, 2019