- ToCoAD: 用于工业异常检测的两阶段对比学习
该研究论文提出了一种名为 ToCoAD 的两阶段训练策略，通过使用合成异常来训练判别网络，在第二阶段中使用该网络提供负面特征引导，通过自举对比学习来训练特征提取器，从而解决了当前无监督异常检测方法在特定异常类型上的困难，提高了对工业数据集中 - GLAD: 全局和局部自适应扩散模型以实现更好的无监督异常检测
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。
- UMAD：无监督自动驾驶遮罩层异常检测
本研究利用生成世界模型和无监督图像分割，重新审视无监督异常检测，并提出 UMAD 方法，其在无监督异常检测方面表现优于现有技术。
- 基于聚类的异常检测统一框架
本文提出了一种新颖的概率混合模型用于异常检测，建立了表示学习、聚类和异常检测之间的理论联系，并通过最大化一种新颖的考虑异常数据的数据似然性，使表示学习和聚类能够有效减少异常数据的不良影响，并共同促进异常检测。通过受物理中的引力分析启发，还设 - Dinomaly: 多类别无监督异常检测中的简洁至上哲学
我们引入了一种名为 Dinomaly 的极简重建异常检测框架，该框架利用纯 Transformer 体系结构而不依赖于复杂设计、附加模块或专门技巧，通过在多类异常检测中提取通用和区分特征的 Foundation Transformers、使 - MiniMaxAD：用于特征丰富的轻量级自编码器的异常检测
MiniMaxAD 是一种轻量级自编码器，其采用大卷积核、全局响应归一化单元和多尺度特征重建策略，能够高效压缩和记忆正常图像的大量信息，克服了之前的无监督异常检测方法在具有明显内部类别多样性的数据集中的困难，并在多个基准测试中取得了最先进的 - 参与、提炼、检测：注意力感知的熵提炼用于异常检测
我们提出了一种基于 DCAM（分布式卷积注意模块）的知识蒸馏方法，可以改善教师和学生网络之间的蒸馏过程，减少多类别或多对象情况下的交叉类干扰问题，并通过最小化空间维度上的相对熵和教师和学生的相同特征图之间的通道相关余弦相似性来实现尺度不变性 - 用交叉级别特征引导解码器的特征净化 Transformer 用于多类 OOD 和异常检测
FUTUREG 框架通过引入特征净化模块和 CFG 解码器，将正常样本重构的边界限制在潜空间内，过滤异常特征并保留细节，提高异常重构误差，从而在多类 Out-of-Distribution 检测中取得了最新的表现，同时在工业异常检测方案中具 - 基于掩码扩散后验取样的无监督异常检测
这项研究提出了一种名为遮蔽扩散后验抽样（MDPS）的新方法，该方法能够数学地重建正常图像并在贝叶斯框架下基于扩散的正常图像先验进行多次扩散后验采样，通过像素级和感知级的度量有效计算每个正常后验采样与给定测试图像之间的差异图，并通过对多个后验 - 基于交叉蒙版修复的多特征重建网络在无监督异常检测中的应用
本研究提出了一种多特征重建网络（MFRNet），通过平行特征修复和交叉遮罩还原将图像重建转化为多特征重建，用于无监督异常检测。实验结果表明，该方法在四个公开数据集和一个自制数据集上表现出色，并明显优于其他状态艺术品。
- 收割狂风：在大规模新闻语料库中检测媒体风暴
使用迭代的人工参与方法和无监督异常检测技术，鉴别媒体风暴数据集，为媒体风暴的特征化、爆发和持续预测提供了基础，填补了媒体风暴概念研究中的空白。
- 多图像视觉问答用于无监督异常检测
通过使用语言模型以增强未监督异常检测的解释性，我们能够构建一个包含问题和答案的数据集，并提出一种新的多图像视觉问答框架来应对异常检测，其中融合了多样的特征融合策略以增强视觉知识提取。
- 融合字典学习和支持向量机的无监督异常检测
本研究通过稀疏表示技术改进了一类支持向量机（OC-SVM）用于无监督异常检测，提出了一种将 OC-SVM 和 DL 残差函数融合为单一复合目标的新异常检测模型，并通过 K-SVD 类型的迭代算法进行求解，同时将 DL 模型适应于字典对学习（ - 基于类别不可知分布对齐的绝对统一多类别异常检测
本文提出了一种用于多类异常检测的无类别信息的绝对统一的方法，通过类别不可用的条件下，利用 Class-Agnostic Distribution Alignment (CADA) 对于不同类别的异常分数分布进行匹配，实现了统一检测方法， 在 - 基于集成结构的异常评分扩散模型的无监督异常检测
本研究探讨了结构相似度（SSIM）在大脑 MRI 异常检测方面的潜力，并展示了一种自适应集成策略，该策略能够增强深度学习模型的性能，并减少对不同病理图像的核大小的敏感性。
- SoftPatch：无监督的带噪数据异常检测
本文首次考虑图像感应异常检测中的标签级噪声问题，提出了一种基于记忆的无监督异常检测方法 SoftPatch，该方法能够有效地去噪，并在补丁级别上生成异常分数以软化异常检测边界，在各种噪声场景下，SoftPatch 在 MVTecAD 和 B - 医学异常检测的具有隐式指导的扩散模型
THOR 利用时间异常图通过集成隐式指导来改进去噪过程，以保留未受病理影响的健康组织的完整性。通过在脑部 MRI 和手腕 X 射线中检测和分割异常来比较评估，THOR 超过了现有的基于扩散的方法。
- WWW重温 VAE 的无监督时间序列异常检测：一种频率视角
我们提出了一种新的无监督异常检测方法 FCVAE，通过同时集成全局和局部频率特征，显著提高了正常数据的重构准确性，以解决基于 VAE 的方法在捕捉长周期异质模式和详细短周期趋势方面面临的挑战。通过精心设计的 “目标注意力” 机制，我们的方法 - 双学生知识蒸馏网络用于无监督异常检测
由于数据不平衡和缺陷的多样性，学生 - 教师网络（S-T）在无监督异常检测中备受青睐，它通过知识蒸馏过程中从特征表示中探索差异来识别异常。文章通过构建新颖的双学生知识蒸馏（DSKD）架构来解决原生 S-T 网络不稳定的问题，该架构的关键在于 - 基于深度生成模型的假健康图像重建用于异常检测的评估：以脑部 FDG PET 为例
基于模拟现实异常图像的伪健康重建方法的评估程序，旨在提前检测特定于痴呆症如阿尔茨海默病的神经退行性标志物。