本篇论文提出了一种少样本异常检测框架，通过弱监督学习方式训练检测模型，维护了良好的正常性表示和异常性表示，同时兼顾了sample-efficient考虑，实现了对少量标注样本的训练，并在9个实际图像异常检测基准测试中表现显著好于同类方法。

Aug, 2021

本研究提出一种在未标记异常情况下训练异常检测器的策略，通过联合推断二进制标签（正常vs.异常）并更新模型参数来使用两个损失的组合，表现出比基准测试更显著的改进。

Feb, 2022

这篇论文提出了一种利用简单学习过程训练轻量级卷积神经网络的方法，将异常检测问题视为监督回归问题，并使用两个可分离连续值分布来标记正常和异常的数据，通过图像增强技术创造出一个独特的异常样本集，并在图像和视频数据集的异常检测实验中展现了该方法的卓越性能。

Jul, 2022

本文提出了一种名为DMAD的新型异常检测框架，该框架采用金字塔变形模块(PDM)设计多样化正常情况，并通过信息压缩模块，将变形从原型嵌入中分离，以使最终的异常得分更加可靠。实验证明，DMAD在监控视频和工业图像中均有很好的效果。

Mar, 2023

探索如何使基于重构误差的神经网络模型在发现异常值时可以将已知的异常值排除在正常数据的范畴之外，并利用一些有限的异常数据来增加正常数据和异常数据之间的差异以提高异常检测的性能。

May, 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。

Aug, 2023

减小理论假设与实际训练数据之间的差距，并提出一个学习框架来改进正常性表示，通过识别样本的正常性，并在训练过程中迭代更新样本的重要性权重。还提出了终止条件，受到异常检测目标的启发。通过在多个受污染数据集上进行实验证明，该框架提高了三种典型异常检测方法的鲁棒性。

Sep, 2023

通过在训练时将正常数据设置为不同的上下文，而又保留其正常特性，我们提出了Con2方法，它使我们能够从不同的角度观察数据，从而使未见过的正常数据符合学到的上下文表示，而异常数据则无法做到，从而无需在训练过程中了解异常情况就能检测到异常数据。我们的实验结果表明，我们的方法在各种基准测试中取得了最先进的性能，并在更现实的医疗保健领域展现出卓越的性能，这里潜在异常情况的了解常常是有限的。

May, 2024

本文提出了一种创新的多类异常检测方法，通过将扩散模型和变换器相结合，利用扩散获取高频信息以解决模糊重建问题，引入双重调节以保证准确性，采用时空融合以提升性能，实验证明该方法在多类异常检测方面表现卓越。

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