- MAEDiff: 基于掩码自编码器增强扩散模型的无监督脑部图像异常检测
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 - AAAI无监督连续异常检测中的对比学习提示
无监督的持续异常检测方法 UCAD 通过对比学习的提示来提供无监督异常检测的持续学习能力,并使用基于结构的对比学习 (SCL) 和 Segment Anything Model (SAM) 来改进提示学习和异常分割结果。
- AAAI生成和重新加权密集对比模式的无监督异常检测
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 - 基于条件扩散模型的引导重建用于无监督脑磁共振成像异常检测
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。
- 探测异常的无监督样本表面化中的最低限度
使用无监督的异常检测方法,我们展示出仅使用极少量的训练样本即可达到甚至超过整个训练数据集的异常检测性能,并提出了三种方法来识别大规模样本中的原型样本。这些原型样本在多个数据集上具有很好的性能,其特征可用于不同模型和其他数据集的选择过程。
- 基于袋装正则化的 $k$- 距离异常检测
我们提出了一种新的基于距离的算法 BRDAD,将无监督异常检测问题转化为凸优化问题,并通过减小风险来解决距离算法中超参数选择的敏感性挑战。此外,我们的算法还采用包法来提高处理大规模数据集的效率,理论上证明了算法的快速收敛性,并通过实验证明了 - DISYRE: 无监督异常检测中的扩散激发的合成修复
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 - 利用健康人群变异性的深度学习无监督脑 FDG PET 异常检测
我们提出了一种受 Z 分数启发的方法,利用健康人群的变异性来识别阿尔茨海默病相关异常,实验证明了我们方法的有效性。
- 基于 RGB-D 数据的工业异常检测双支路重构网络
基于 RGB-D 输入,我们提出了一种轻量级的双分支重建网络 (DBRN),通过学习正常和异常样本之间的决策边界,使用深度图而不是点云输入来消除两种模态之间的对齐要求,并引入了一个重要性评分模块来辅助融合这两种模态的特征,从而在 MVTec - 基于图像点云融合的异常检测:以 PD-REAL 数据集为例
通过使用 Play-Doh 模型和 RealSense 相机,我们提出了 PD-REAL 数据集,用于在 3D 领域进行无监督异常检测研究,该数据集在分析 3D 信息的有益作用时展示了显著的节约成本、易扩展性和易于控制变量的优势。
- 基于直方图和扩散的医疗异常检测
基于直方图和扩散的方法相结合,该研究旨在通过对医学图像进行无监督异常检测,探索并提出后处理步骤以提高医学图像中异常检测的性能。
- (可预测的)无监督异常检测中的性能偏差
本研究评估了数据集构成对多个保护变量上的无监督异常检测模型性能造成的影响,并引入了新的子组 - AUROC 度量方法,结果显示数据集构成对 UAD 模型的不公平性性能有显著影响。
- 朝着节约的无监督医学图像微细异常检测
医学成像中的异常检测是一项具有挑战性的任务,可以通过无监督异常检测方法解决,该方法通过识别与正常基准模型不匹配的特征。该论文探讨了使用混合概率分布作为替代方法,以在准确性与计算需求之间取得最优化平衡,并且介绍了一个在线方法来解决大数据量下的 - MSFlow: 无监督异常检测的多尺度流式框架
无监督异常检测中,使用没有任何异常信息的仅限正常样本进行训练的流模型,能够有效地区分可预测和不可预测的异常数据,而针对不同大小变化的异常数据,我们提出了一种名为 MSFlow 的新型多尺度流模型框架,能够在图像级别和像素级别进行异常检测和定 - 自监督解决无监督异常检测的困境和机遇
自我监督学习在无监督异常检测中起到重要作用,对 SSL 策略的选择、超参数的调整、预处理任务和增强函数的设计以及基于密度估计的预训练模型的利用提出了新的发展和挑战。
- 增强异常检测性能的神经网络训练策略:基于重构损失放大的视角
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。
- 脑 MRI 无监督异常检测中的偏差
非监督异常检测中的偏差和分布偏移对医学图像异常检测结果具有重要影响,特别是在阿尔茨海默病检测中,性别、种族和扫描仪变化等方面存在显著的偏差。
- 多变量时间序列异常检测与污染数据:应用于生理信号
本研究介绍了一种无监督式的感知时间序列异常检测方法(TSAD-C),通过对带有异常的训练数据进行去噪、建立变量依赖模型和检测异常值等步骤,成功在三个广泛使用的生理数据集上超越现有方法,达到了领域中的最新技术水平。
- 用于确定车辆劫持推文的半监督异常检测
本研究提出了一种新的半监督方法,利用推特数据和无监督异常检测算法识别车辆劫持事件,比较评估结果表明 Cluster Based Outlier Factor 方法在准确性和 F1-Score 上优于 K-Nearest Neighbour, - AMAE:应用预训练遮挡自编码器进行胸部 X 射线双分布异常检测的适应
这篇论文研究了在医学图像中进行无监督异常检测的方法,提出了基于自监督视觉转换器模型的双分布异常检测算法,利用包括正常和非标注图像在内的全部训练数据,取得了在三个公共胸部 X 光基准数据集上的最新技术成果。