使用卷积对抗变分自编码器与引导注意力和注意力扩张损失的方法，可在无监督和弱监督低异常样本下精确定位异常区域，结果表明CAVGA在几个测试数据集上优于目前最先进的异常检测方法。
Nov, 2019
本文提出了一种基于无监督学习的异常检测方法，其中使用内存模块记录正常数据的原型模式，并提出了新的特征紧凑性和分离性损失来训练内存以提高区分能力和识别准确性。该方法在标准基准测试中表现良好，优于现有技术。
Mar, 2020
本文研究工业视觉中基于自编码器网络的异常检测问题，通过引入 skip 连接的自编码器结构并使用一种新的 Stain 噪声模型，使网络能从有缺陷的图像中重建出干净图像，实现像素级或者图像级的异常检测。
Aug, 2020
本文提出了一种自动编码器框架中的分割-组装策略，并引入了多尺度块状记忆模块和对抗学习以改进无监督图像异常检测的性能。
Jul, 2021
本文提出了一种名为ReContrast的UAD方法，通过特征重构和对整个网络进行优化，实现了对目标领域的训练和检测能力，实验结果表明该方法在工业缺陷检测和医学图像UAD任务中具有优越性。
Jun, 2023
通过放大重构损失，我们提出了一种名为LAMP的损失地形变形方法，从而将损失地形变为陡峭的形状，使得对未见异常的重构误差增加，并且提高异常检测性能，而无需改变神经网络架构。
Aug, 2023
该论文分析了对训练重建网络起到贡献的模拟异常的关键特征，并基于这些特征提出了综合框架，结合重建方法和分离训练策略，解决了过拟合问题并避免干扰重建过程，评估结果表明该方法在对象类别方面优于现有方法，并证明其在真实场景下遇到各种意外异常具有良好的潜力。
提出一种基于DifferNet的解决方案，利用SENet和CBAM作为骨干网络的注意力模块，通过对三个不同的视觉检测和异常检测数据集（MVTec AD、InsPLAD故障和半导体晶片）进行改进，提高了检测和分类能力，并通过定量和定性评估显示了改进的结果。
Jan, 2024
我们通过分析和改进重建填补方法，提出了一种名为FADeR的特征衰减缺陷表示的方法，该方法使用仅两个MLP层，在解码期间减弱了异常重建的特征信息，从而减少了误报。与相似规模的神经网络相比，实验结果表明FADeR实现了卓越的性能。此外，我们的方法还展示了与其他单确定性遮蔽方法的可插拔性能提升方面的可扩展性。
Jul, 2024
本研究针对无监督异常检测的挑战，提出了一种新颖的领域无关方法，通过条件扰动生成多样化且难以区分的合成异常。该方法在真实数据集上表现优越，适用于图像和表格数据，显示出其在半监督场景中的适应性，有望进一步提升异常检测性能。
Sep, 2024