本文旨在建立无监督异常检测的可比较性，利用单一架构、单一分辨率和相同的数据集评估不同方法，并提出未来的研究方向和挑战。
Apr, 2020
我们提出了一种基于去噪扩散内隐模型的弱监督异常检测方法，结合分类器指导进行病态和健康主体之间的图像翻译，生成非常详细的异常地图，无需复杂的训练过程。
Mar, 2022
本文提出DDAD，一种新的基于去噪扩散的异常检测方法，其中包括图像重建的新型去噪过程、利用生成样例细调特征提取器的域适应方法等，通过在多个数据集上的测试验证了其优越性能。
May, 2023
通过使用Diffusion-Inspired SYnthetic REstoration（DISYRE）方法，学习适用于无监督异常检测（UAD）的评分函数，该方法使用逐渐引入的合成异常损坏代替了高斯噪声来模拟医学自然发生的异常，实验证明DISYRE在三个常见脑部MRI UAD基准中在两个任务中显著优于其他方法。
Nov, 2023
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
通过在扩散模型上引入条件机制，对无监督异常检测中的脑部MRI图像重构进行优化，以提高重构质量、域适应性特征和分割性能，并且可在不同MRI采集和模拟对比度之间进行领域适应，从而提高脑部MRI无监督异常检测的性能和泛化能力。
我们提出了一种新颖的蒙版自编码器增强扩散模型 (MAEDiff)，用于无监督异常检测脑部图像。MAEDiff包括分层补丁分割，通过重叠上层补丁生成健康图像，并在次级补丁上采用基于蒙版自编码器的机制来增强未加入噪声区域的条件。对肿瘤和多发性硬化症病灶的数据进行了大量实验证明了我们方法的有效性。
Jan, 2024
无需像素级标签，利用弱监督扩散模型进行异常分割，提升信号强度并优于最新弱监督方法。
Apr, 2024
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
利用多个重建模型和马氏距离分析重建结果的分布来识别异常值作为离群值，通过有效改进异常分数，从而提高脑MRI分割的性能。
Jul, 2024