ReplayCAD: Generative Diffusion Replay for Continual Anomaly Detection
South China University of Technology（华南理工大学）；China United Network Communications Corporation Limited Guangdong Branch（中国联合网络通信集团有限公司广东分公司）；Pazhou Laboratory（琶洲实验室）；Guangdong University of Technology（广东工业大学）
针对持续异常检测中的灾难性遗忘与小异常区域分割难题，提出ReplayCAD扩散生成回放框架，利用语义与空间特征压缩并回放多样化像素级历史数据，在VisA和MVTec上取得显著分割提升。
2025-05-10 cs.CV
A Hierarchical Transformation-Discriminating Generative Model for Few Shot Anomaly Detection
Tel Aviv University（特拉维夫大学）；Facebook AI Research（Facebook人工智能研究院）
异常检测是识别数据中异常样本的任务，通常依赖于大量的训练样本。在这项工作中，我们考虑设置图像中的Few-Shot异常检测，其中在训练时仅给出少数图像。我们设计了一个分层生成模型，捕捉每个训练图像的多尺度补丁分布。我们通过使用图像变换进一步增强了模型的表示，并优化了尺度特定的补丁鉴别器，以区分图像的真实和虚假补丁，以及应用于这些补丁的不同变换。异常得分是通过聚集正确的变换跨尺度和图像区域的基于块的投票。我们证明了我们的方法的优越性，在一次拍摄和Few-Shot设置，巴黎，CIFAR10，MNIST和FashionMNIST的数据集，以及在MVTec的缺陷检测设置。在所有情况下，我们的方法优于最近的基线方法。
2021-04-29 cs.CV cs.LG
Reconstructed Student-Teacher and Discriminative Networks for Anomaly Detection
Meijo University（名城大学）
异常检测是计算机视觉中的一个重要问题，然而，异常样本的稀缺性使得这项任务变得困难。因此，最近的异常检测方法仅使用没有异常区域的正常图像进行训练。在这项工作中，一个强大的异常检测方法，提出了基于学生-教师特征金字塔匹配（STPM），其中包括一个学生和教师网络。生成模型是异常检测的另一种方法。它们从输入重建法线图像，并计算预测法线与输入之间的差异。不幸的是，STPM没有生成正常图像的能力。为了提高STPM的准确性，这项工作使用了学生网络，在生成模型，重建正常功能。这提高了准确性;然而，正常图像的异常图并不干净，因为STPM不使用异常图像进行训练，这降低了图像级异常检测的准确性。为了进一步提高准确性，在我们的方法中使用了一个判别网络，该网络由两对学生-教师网络和一个判别网络组成。该方法在MVTec异常检测数据集上显示出较高的准确性。
2022-10-14 cs.CV
Unsupervised Discovery, Control, and Disentanglement of Semantic Attributes with Applications to Anomaly Detection
The Johns Hopkins University Applied Physics Laboratory（约翰斯·霍普金斯大学应用物理实验室）；Queens University（皇后大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
我们的工作重点是无监督和生成方法，以实现以下目标：（a）学习发现控制图像语义属性的潜在因素的无监督生成表示，（b）研究这种控制属性的能力如何形式上与潜在因素解纠缠的问题相关，澄清过去混淆的相关但不相似的概念，以及（c）开发利用在（a）中学习的表示的异常检测方法。对于（a），我们提出了一种网络架构，利用多尺度生成模型与互信息（MI）最大化的组合。对于（b），我们得到了一个分析结果（引理1），它使两个相关但不同的概念变得清晰：生成网络控制它们生成的图像的语义属性的能力，这是由MI最大化产生的，以及通过总相关性最小化获得的解开潜在空间表示的能力。更具体地说，我们证明，最大限度地提高语义属性控制鼓励解开潜在的因素。使用引理1，并采用MI在我们的损失函数，然后，我们凭经验表明，对于图像生成任务，所提出的方法表现出优越的性能，测量的质量和解纠缠贸易空间相比，其他国家的最先进的方法，质量评估通过弗雷歇初始距离（FID），并通过互信息间隙解纠缠。对于（c），我们利用（a）中学习的表示设计了几个异常检测系统，并与最先进的生成和判别算法相比展示了它们的性能优势。表示学习的上述贡献在解决计算机视觉中的其他重要问题方面具有潜在的应用，例如AI中的偏见和隐私。
2021-06-07 cs.CV
CRADL: Contrastive Representations for Unsupervised Anomaly Detection and Localization
German Cancer Research Center (DKFZ)（德国癌症研究中心（DKFZ））
医学成像中的无监督异常检测旨在检测和定位任意异常，而无需在训练期间注释异常数据。通常，这是通过学习正常样本的数据分布并检测图像中偏离该分布的异常区域来实现的。大多数当前最先进的方法使用直接在图像上操作的潜变量生成模型。然而，生成模型已被证明主要捕获低级特征，例如，像素强度，而不是丰富的语义特征，这也适用于它们的表示。我们规避这个问题，提出CRADL，其核心思想是直接在低维表示空间的编码器训练与对比的预文本任务的正常样本的分布建模。通过利用对比学习的表征，我们的目标是修复低层特征上的过固定，并学习更多语义丰富的表征。我们使用三个不同的评估数据集对异常检测和定位任务进行的实验表明：1）对比表示优于生成潜变量模型的表示，2）CRADL框架显示出与最新技术相比具有竞争力或优越的性能。
2023-01-05 cs.CV
Anomaly Detection Based on Deep Learning Using Video for Prevention of Industrial Accidents
The Course of Precision Engineering, School of Science and Engineering, Chuo University（中央大学理工学部精密工学科）；Chuo University（中央大学）；Prima Meat Packers, Ltd.（プリマハム株式会社（普瑞玛肉制品包装有限公司））
提出了一种利用机器学习技术进行工业事故预防的异常检测方法。
2020-05-28 cs.CV
Deep Visual Anomaly detection with Negative Learning
University of Science and Technology (UST)（科学技术大学）；Electronics and Telecommunications Research Institute (ETRI)（电子通信研究院）
随着基于深度卷积的架构的学习能力的增加，随着时间的推移，已经提出了这种模型的各种应用。在异常检测领域，深度学习的改进为试图自动化数据汇集的劳动密集型特征的研究人员开辟了新的探索前景。首先，就数据汇集而言，不可能预见到在特定环境中可能存在的所有异常情况。其次，假设我们限制了异常的可能性，为了训练模型，仍然很难记录所有这些场景。第三，即使我们设法记录了大量的异常数据，在像素甚至帧级别上注释这些数据也很费力。各种方法通过使用仅在正常数据上训练的生成模型提出一类分类来解决这个问题。在这种方法中，只使用正常数据，这是大量可用的，不需要大量的人工输入。然而，这些仅使用正常数据进行训练，并且在测试时，给定异常数据作为输入，通常可能会生成正常的输出。这是由于生成模型的幻觉特征造成的。接下来，这些系统被设计为在训练期间不使用异常示例。在本文中，我们提出了负学习异常检测（ADNL），它采用负学习概念，通过在训练期间利用与正常数据相比非常少量的标记异常数据来增强异常检测。这个想法是使用给定的少量异常示例来限制生成模型的重建能力。通过这种方式，网络不仅可以学习重建正常数据，还可以将正常分布与可能的异常分布隔离开来。
2021-05-24 cs.CV
Deep Generative Model using Unregularized Score for Anomaly Detection with Heterogeneous Complexity
Kobe University（神户大学）
自然图像数据集中异常样本的准确和自动检测可以通过用于图像的端到端建模的概率模型来完成。然而，这样的图像具有异质的复杂性，并且概率模型忽略了具有小异常的简单形状的对象。这是因为概率模型将不期望的较低可能性分配给形状复杂的对象，但这些对象与设定的标准一致。为了克服这个困难，我们提出了一个深度生成模型（DGMs）的非正则化分数，DGMs是利用深度神经网络的生成模型。我们发现，正则化条款的DGMs显着影响异常分数取决于样本的复杂性。通过删除这些项，我们获得了一个未正则化的分数，我们在玩具数据集和真实世界的制造数据集上进行了评估。实验结果表明，非正则化的分数是强大的样本的固有复杂性，可以用来更好地检测异常。
2018-09-04 cs.CV cs.LG stat.ML
DiffFake: Exposing Deepfakes using Differential Anomaly Detection
University of Warwick（华威大学）
DiffFake将深度伪造检测视为异常检测任务，通过差分框架学习人脸自然变化，并在五个数据集上达到或超越现有方法。
2025-02-22 cs.CV
Modeling Representation of Videos for Anomaly Detection using Deep Learning: A Review
Universiti Tunku Abdul Rahman（东姑阿都拉曼大学）
本文综述了当前基于视频的异常检测的研究进展。我们解决视频异常检测的最基本的方面，即视频特征表示。大量的研究工作已经做了正确的表示，以执行视频流中的异常检测准确地与可接受的虚警率。然而，这是非常具有挑战性的，由于环境和人体运动的大的变化，以及由于视频数据的巨大维度的高空间-时间复杂度。深度学习算法的弱监督性质可以帮助从视频数据本身学习表示，而不是手动为特定场景设计正确的功能。在本文中，我们想回顾一下使用深度学习技术对视频表示进行建模的现有方法，用于异常检测和动作识别任务。
2015-05-04 cs.CV
An overview of deep learning based methods for unsupervised and semi-supervised anomaly detection in videos
Uncanny Vision Solutions（Uncanny Vision解决方案公司）；Université Charles de Gaulle, Lille 3（戴高乐大学（里尔第三大学））
视频代表了监控应用的主要信息来源，并且大量可用，但在大多数情况下，几乎不包含或不包含用于监督学习的注释。本文回顾了最先进的基于深度学习的视频异常检测方法，并根据模型类型和检测标准对其进行了分类。我们还进行了简单的研究，以了解不同的方法，并提供评估标准的时空异常检测。
2018-01-30 cs.CV
A Critical Study on the Recent Deep Learning Based Semi-Supervised Video Anomaly Detection Methods
Laval University（拉瓦尔大学）
视频异常检测是当前计算机视觉的研究热点之一，因为异常事件包含大量的信息。异常是监控系统的主要检测目标之一，通常需要实时处理。关于用于训练的标记数据的可用性（即，对于异常没有足够的标记数据），半监督异常检测方法最近受到关注。本文向该领域的研究人员介绍了一个新的视角，并回顾了最近基于深度学习的半监督视频异常检测方法，基于他们用于异常检测的常见策略。我们的目标是帮助研究人员开发更有效的视频异常检测方法。由于选择正确的深度神经网络在这项任务的几个部分中起着重要作用，因此首先准备对DNN进行快速比较。与以前的调查不同，DNN是从时空特征提取的角度进行审查的，为视频异常检测定制。这部分综述可以帮助该领域的研究人员为他们的方法的不同部分选择合适的网络。此外，一些国家的最先进的异常检测方法，基于他们的检测策略，进行了批判性的调查。该评论提供了一个新的和深入的研究现有的方法和结果，说明这些方法的缺点，这可以是一个提示，为未来的工作。
2021-11-02 cs.CV
Energy-based Models for Video Anomaly Detection
Defence Science and Technology Organization (DSTO)（国防科学技术组织）
数据异常自动检测在视频监控、工业损坏检测和网络入侵检测等实践中有着广泛的应用，近年来成为研究领域的研究热点。然而，建立一个有效的异常检测系统是一个不平凡的任务，因为它需要解决具有挑战性的问题，注释数据的短缺，无法明确定义异常对象和昂贵的特征工程过程的成本。与现有的方法只能部分解决这些问题不同，我们开发了一个独特的框架来同时处理上述问题。我们建议处理规则模式，而不是处理异常对象的模糊定义，其未标记的数据丰富，通常很容易在实践中收集。这使得我们的系统可以完全在无监督的过程中进行训练，并将我们从昂贵的数据注释中解放出来。通过学习捕获数据中正态分布的生成模型，我们可以隔离导致低正态分数（高异常分数）的异常数据点。此外，通过利用生成网络的力量，即基于能量的模型，我们还能够自动学习特征表示，而不是回复几十年来一直主导异常检测研究的手工特征。我们展示了我们的建议，视频异常检测的具体应用和实验结果表明，我们的方法比基线表现得更好，并与国家的最先进的方法在许多基准视频异常检测数据集。
2017-08-17 cs.CV
Integration of deep generative Anomaly Detection algorithm in high-speed industrial line
Bonfiglioli Engineering（博内菲奇利工程）
本研究提出了一种基于生成对抗网络的半监督异常检测框架，用于高速生产线中的工业视觉检测，通过残差自编码器和密集瓶颈结构实现高精度检测与空间定位。
2026-03-08 cs.AI cs.CV cs.LG
Real time dense anomaly detection by learning on synthetic negative data
University of Zagreb Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算学院）
提出一种联合训练生成流的混合方法，在内点分布边界采样合成负数据，实现无需真实负数据的密集异常检测，并验证了基于能量密度的贡献。
2023-05-24 cs.CV cs.LG
Safeguarding Generative AI Applications in Preclinical Imaging through Hybrid Anomaly Detection
Institute of Informatics, University of Warsaw Alethia XAI Sp. z o.o. Warsaw Poland；School of Law, Seoul National University Shin \& Kim LLC, Seoul Republic of Korea；BIOEMTECH, Athens Medical Informatics Laboratory, School of Medicine, University of Thessaly, Larissa Greece；Institute of Informatics, University of Warsaw；Alethia XAI Sp. z o.o.；School of Law, Seoul National University；Medical Informatics Laboratory, School of Medicine, University of Thessaly, Larissa
提出混合异常检测框架保护临床前成像中的生成式AI应用，在Pose2Xray和DosimetrEYE系统中提升可靠性、减少人工监督并支持实时质量控制。
2025-08-11 cs.CV cs.HC cs.LG
Unsupervised Industrial Anomaly Detection via Pattern Generative and Contrastive Networks
China Unicom（中国联通）
针对工业异常检测中缺陷样本不足、传统方法对纹理变化鲁棒性差的问题，提出基于ViT的模式生成-对比无监督检测网络，结合分层学习与双向推理，在MVTec数据集上达99.8% AUC，性能超现有最优方法。
2024-08-15 cs.AI cs.CV
Evaluation of pseudo-healthy image reconstruction for anomaly detection with deep generative models: Application to brain FDG PET
Sorbonne Université（索邦大学）；Institut du Cerveau - Paris Brain Institute - ICM（巴黎大脑研究所）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；Inserm（法国国家健康与医学研究院）；AP-HP（巴黎公立医院集团）；Hôpital de la Pitié Salpêtrière（皮提耶-萨勒佩特里医院）
针对无真实病灶掩码时伪健康重建异常检测方法难以评估的问题，提出基于真实异常图像模拟的评估流程，并用卷积变分自编码器在脑部FDG PET上验证了其用于痴呆神经退行性标志物检测的可行性。
2024-01-29 cs.CV eess.IV
Sub-Image Anomaly Detection with Deep Pyramid Correspondences
The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
利用深度预训练特征的最近邻（kNN）方法在应用于整个图像时表现出非常强的异常检测性能。kNN方法的局限性是缺乏描述异常位于图像内的位置的分割图。在这项工作中，我们提出了一种新的异常分割方法的基础上对齐的异常图像和一个常数数量的相似的正常图像。我们的方法，语义金字塔异常检测（SPADE）使用基于多分辨率特征金字塔的对应关系。SPADE是实现国家的最先进的无监督的异常检测和定位的性能，而几乎不需要训练时间。
2021-02-03 cs.CV cs.LG
Ensembled Cold-Diffusion Restorations for Unsupervised Anomaly Detection
City, University of London（伦敦城市大学）；Imperial College London（帝国理工学院）；Friedrich–Alexander University Erlangen–Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）
该研究提出集成冷扩散修复的无监督异常检测方法，结合生成模型可解释性与自监督方法优势，搭配DAG合成异常生成与集成异常评分，在三个脑部MRI数据集上超越现有最优水平。
2024-07-09 cs.CV stat.ML
CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection
Korea Advanced Institute of Science and Technology (KAIST)（韩国先进科学技术研究院）
本文提出 CLIPFUSION，融合 CLIP 判别模型与扩散生成模型，分别捕获全局与局部特征，并利用扩散模型的交叉注意力图和特征图进行异常检测，在 MVTec-AD 和 VisA 上取得优于基线的分割与分类性能。
2025-11-05 cs.CV cs.LG
Deep Video Anomaly Detection: Opportunities and Challenges
School of Engineering, IT and Physical Sciences, Federation University Australia（澳大利亚联邦大学工程、信息技术与物理科学学院）；School of Software, Dalian University of Technology（大连理工大学软件学院）；STEM, University of South Australia（南澳大学 STEM 学院）
异常检测是各种研究背景下的一个热门和重要的任务，已经研究了几十年。为了确保人们的生命和财产安全，视频监控已广泛部署在各种公共空间，如十字路口，电梯，医院，银行，甚至私人住宅。深度学习已经在许多领域展示了它的能力，从声学、图像到自然语言处理。然而，设计智能视频异常检测系统是不平凡的，因为异常在不同的应用场景中彼此显著不同。如果这种智能系统能够在我们的日常生活中实现，将有许多好处，例如在很大程度上节省人力资源，减轻政府的财政负担，并及时准确地识别异常行为。最近，出现了许多关于扩展深度学习模型以解决异常检测问题的研究，导致深度视频异常检测技术的有益进展。在本文中，我们提出了一个全面的审查深度学习为基础的方法来检测视频异常从一个新的角度。具体来说，我们总结了深度学习模型在视频异常检测任务上的机遇和挑战。提出了智能视频异常检测系统在不同应用领域的几个潜在研究方向。总结了当前视频异常检测深度学习方法的特点和存在的技术问题。
2021-10-11 cs.CV cs.SI
A Study on Unsupervised Anomaly Detection and Defect Localization using Generative Model in Ultrasonic Non-Destructive Testing
Graduate School of Science and Technology, Gunmma University（群马大学理工学研究生院）；Faculty of Informatics, Gunmma University（群马大学信息学部）
本研究提出基于扩散模型的无监督异常检测方法，用于激光超声无损检测中的缺陷定位，仅用无缺陷数据训练，实验证明优于传统目标检测算法。
2024-05-26 cs.CV cs.LG eess.IV
CLIP-Flow: A Universal Discriminator for AI-Generated Images Inspired by Anomaly Detection
Jilin University（吉林大学）；GIPSA-lab, Univ. Grenoble Alpes, CNRS, Grenoble INP（GIPSA实验室，格勒诺布尔阿尔卑斯大学，CNRS，格勒诺布尔INP）；Institute of Automation, Chinese Academy of Sciences（自动化研究所，中国科学院）
针对AI生成图像检测器对未见生成模型泛化性差的问题，本文从异常检测角度提出CLIP-Flow，利用预训练CLIP和归一化流在代理图像上进行无监督训练，实现对各类生成图像的通用检测。
2025-08-13 cs.CR cs.CV
Deep Crowd Anomaly Detection: State-of-the-Art, Challenges, and Future Research Directions
University of Agder（阿格德大学）
人群异常检测是智慧城市背景下计算机视觉中最热门的话题之一。已经提出了大量的深度学习方法，这些方法通常优于其他机器学习解决方案。我们的综述主要讨论了2020年至2022年间在主流会议和期刊上发表的算法。我们提出了通常用于基准测试的数据集，产生一个分类的开发算法，并讨论和比较它们的性能。我们的主要发现是，预训练卷积模型的异质性对人群视频异常检测性能的影响可以忽略不计。我们结束了我们的讨论与富有成效的方向，为未来的研究。
2022-10-25 cs.AI cs.CV
Image Anomaly Detection by Aggregating Deep Pyramidal Representations
University of Udine（乌迪内大学）
异常检测包括在数据集中识别那些与大多数数据显著不同的样本，代表正常类。它具有许多实际应用，例如从工业系统中的缺陷产品检测到医学成像。本文重点研究了图像异常检测，使用具有多个金字塔层次的深度神经网络来分析不同尺度下的图像特征。我们提出了一个基于编码-解码方案的网络，使用标准的卷积自编码器，仅在正常数据上进行训练，以建立正常模型。异常可以通过网络无法重建其输入来检测。在MNIST、FMNIST和最近的MVTec异常检测数据集上的实验结果显示了良好的准确性
2020-11-12 cs.AI cs.CV
UAV-AdNet: Unsupervised Anomaly Detection using Deep Neural Networks for Aerial Surveillance
Aarhus University（奥胡斯大学）
异常检测是自主监视系统的一个关键目标，应该能够提醒不寻常的观察。在本文中，我们提出了一种使用深度神经网络的整体异常检测系统，用于监视关键基础设施（例如，机场、港口、仓库）使用无人驾驶飞行器（UAV）。首先，我们提出了一个探试法明确表示的鸟瞰图像中的对象的空间布局。然后，我们提出了一种用于无监督异常检测的深度神经网络架构（UAV-AdNet），该架构在环境表示和鸟瞰图像的GPS标签上进行联合训练。与文献中的研究不同，我们结合GPS和图像数据来预测异常观测。我们评估我们的模型对我们的空中监视数据集上的几个基线，并表明它在场景重建和几个异常检测任务中表现更好。代码，训练模型，数据集和视频将在https://bozcani.github.io/uavadnet上提供。
2020-11-05 cs.CV cs.RO
Anomalib: A Deep Learning Library for Anomaly Detection
Intel（英特尔）
本文介绍了anomalib，一个新的库，用于无监督的异常检测和定位。考虑到可重复性和模块化，这个开源库提供了文献中的算法和一套工具，通过即插即用的方法设计自定义异常检测算法。Anomalib包括最先进的异常检测算法，在基准测试中达到最高性能，并且可以现成使用。此外，该库还提供了用于设计定制算法的组件，这些算法可以针对特定需求进行定制。其他工具，包括实验跟踪器，可视化器和超参数优化器，使设计和实现异常检测模型变得简单。该库还支持OpenVINO模型优化和量化，以实现实时部署。总的来说，anomalib是一个广泛的库，用于设计、实现和部署从数据到边缘的无监督异常检测模型。
2022-02-16 cs.CV cs.LG
Deep Learning for Anomaly Detection: A Review
University of Adelaide（阿德莱德大学）；University of Technology Sydney（悉尼科技大学）
异常点探测，也就是。异常值检测或新颖性检测几十年来一直是各种研究团体中持续而活跃的研究领域。仍然有一些独特的问题、复杂性和挑战需要先进的方法。近年来，深度学习实现了异常检测，即，深部异常探测已经成为一个重要的方向。本文对深部异常检测的研究进行了全面的分类，涵盖了3个高级别类别和11个细粒度类别的方法的进展。我们回顾他们的关键直觉，目标函数，基本假设，优点和缺点，并讨论他们如何解决上述挑战。我们进一步讨论了一系列可能的未来机遇和应对挑战的新视角。
2020-12-05 cs.CV cs.LG stat.ML
BadSAD: Clean-Label Backdoor Attacks against Deep Semi-Supervised Anomaly Detection
Utah State University（犹他州立大学）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
本文提出 BadSAD 框架，通过触发器注入与潜在空间操纵两阶段方法，对 DeepSAD 深度半监督异常检测模型实施干净标签后门攻击，揭示了该类系统的安全风险。
2024-12-17 cs.AI cs.CR cs.CV
Deep Nearest Neighbor Anomaly Detection
The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
最近邻是一种成功的和长期存在的异常检测技术。最近，自我监督的深度方法（例如RotNet）取得了重大进展。然而，自监督特征通常表现不佳Imagenet预训练特征。在这项工作中，我们研究了最近的进展是否真的可以优于最近邻方法在Imagenet预训练的特征空间上操作。实验表明，简单的最近邻方法优于自监督方法：准确性，Few Shot泛化，训练时间和噪声鲁棒性，同时对图像分布的假设较少。
2020-02-24 cs.CV cs.LG stat.ML
Anomaly Detection With Multiple-Hypotheses Predictions
Robert Bosch GmbH（罗伯特·博世有限公司）；University of Freiburg（弗莱堡大学）
在单类学习任务中，只有正常情况（前景）可以用数据建模，而所有可能的异常变化都太不稳定，无法用样本描述。因此，由于缺乏代表性的数据，广泛的判别方法不能覆盖这样的学习任务，而是生成模型，试图学习前景的输入密度，被使用。然而，生成模型的输入维度很大（如图像），并且通常是低效的学习器。我们建议使用多假设自动编码器更有效地学习前景的数据分布。此外，该模型受到了一个批评，它阻止了不受数据支持的人工数据模式，并强制实施跨假设的多样性。我们的基于多假设的异常检测框架允许可靠地识别分布外的样本。对于CIFAR-10的异常检测，它比以前报告的结果提高了3.9%。在一个真实的异常检测任务中，该方法将基线模型的误差从6.8%降低到1.5%。
2019-05-31 cs.AI cs.CV cs.LG
Deep Autoencoders with Value-at-Risk Thresholding for Unsupervised Anomaly Detection
IBM Research -- Ireland（IBM研究院——爱尔兰）
许多现实世界的监控和监视应用程序需要在流模型中运行非平凡的异常检测。我们考虑了一种增量学习方法，其中训练了一个正常的深度自动编码（DAE）模型，并同时用于检测异常。在异常检测中，我们利用一种新的阈值机制，基于风险价值（VaR）。我们将得到的卷积神经网络（CNN）与一些子空间方法进行比较，并在Changedetection网络上给出结果。
2019-12-09 cs.CV cs.LG eess.IV
Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data
Australian Institute for Machine Learning（澳大利亚机器学习研究所）；The University of Adelaide（阿德莱德大学）；Advanced Analytics Institute（高级分析研究所）；University of Technology Sydney（悉尼科技大学）
我们考虑的问题的异常检测与一个小的部分标记的异常的例子和一个大规模的未标记的数据集。这是许多重要应用中的常见场景。现有的相关方法要么专门适合通常不跨越整个异常集的有限异常示例，要么从未标记的数据进行无监督学习。相反，我们在这里提出了一种基于深度强化学习的方法，该方法可以对标记和未标记异常的检测进行端到端的优化。该方法通过自动地与异常偏置的模拟环境交互来学习已知的异常，同时连续地将所学习的异常扩展到新的异常类别（即，未知的异常），通过主动探索未标记数据中可能的异常。这是通过联合优化小标记异常数据的利用和罕见的未标记异常的探索来实现的。在48个真实世界数据集上进行的广泛实验表明，我们的模型明显优于五种最先进的竞争方法。
2021-06-10 cs.AI cs.CR cs.CV
Deep Learning for Medical Anomaly Detection -- A Survey
Queensland University of Technology（昆士兰科技大学）
基于机器学习的医疗异常检测是一个重要的研究课题。在各个医疗应用领域已经提出了许多方法，我们在这些不同的应用中观察到了一些相似之处。尽管这种可比性，我们观察到缺乏结构化的组织，这些不同的研究应用程序，使他们的优势和局限性可以研究。本调查的主要目的是对医学异常检测中流行的深度学习技术进行全面的理论分析。特别是，我们对最先进的技术进行了连贯和系统的回顾，比较和对比了它们的架构差异以及训练算法。此外，我们还提供了可用于解释模型决策的深度模型解释策略的全面概述。此外，我们概述了现有的深度医学异常检测技术的主要局限性，并提出了进一步研究的重点研究方向。
2021-04-13 cs.CV cs.LG eess.IV
AnomalyHybrid: A Domain-agnostic Generative Framework for General Anomaly Detection
Ricoh Software Research Center (Beijing) Co., Ltd.（理光软件研究中心（北京）有限公司）
AnomalyHybrid提出一种领域无关的GAN框架，通过双解码器融合参考图像外观与目标图像深度和边缘结构，无需标注即可生成真实多样的异常，并在多个数据集上超越现有方法。
2025-04-06 cs.CV
AnomalyLMM: Bridging Generative Knowledge and Discriminative Retrieval for Text-Based Person Anomaly Search
Faculty of Science and Technology and Institute of Collaborative Innovation, University of Macau（科技学院和协同创新研究所，澳门大学）；CSIRO Data61（CSIRO数据61）
针对基于文本的人员异常搜索中细粒度跨模态对齐难、异常样本稀疏的问题，提出AnomalyLMM框架，通过免训练的由粗到细流水线桥接生成式知识与判别式检索，在PAB数据集上Recall@1较基线提升0.96%。
2025-09-05 cs.CV
What goes around comes around: Cycle-Consistency-based Short-Term Motion Prediction for Anomaly Detection using Generative Adversarial Networks
Fraunhofer Center for Machine Learning（弗劳恩霍夫机器学习中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Fraunhofer Institute for Optronics, System Technologies and Image Exploitation IOSB（弗劳恩霍夫光电子、系统技术与图像利用研究所（IOSB））
异常检测在许多研究领域中扮演着重要的角色，伴随着强相关的离群点检测任务，异常检测也扮演着非常重要的角色。特别是在自动分析监控摄像机记录的视频材料的背景下，异常情况可能具有非常不同的性质。为此，这项工作研究了基于生成对抗网络的方法（GAN）的异常检测相关的监控应用。重点是静态相机设置的使用，因为这种相机是最常用的相机之一，属于较低的价格段。为了解决这一任务，多个子任务进行评估，包括现有的光流方法的短期时间信息，不同形式的网络设置和损失的GANs的合并的影响，并使用形态操作进一步提高性能。通过这些扩展，我们实现了高达2.4%的更好的结果。此外，最终的方法将基于GAN的方法的异常检测误差降低了约42.8%。
2019-08-08 cs.CV
Driving Anomaly Detection Using Conditional Generative Adversarial Network
University of Texas at Dallas（德克萨斯大学达拉斯分校）；Honda Research Institute（本田研究所）
异常驾驶检测是高级驾驶辅助系统（ADAS）中的一个重要问题。尽早识别潜在的危险情景以避免潜在的事故是很重要的。本研究提出了一种无监督的方法，使用条件生成对抗网络（GAN）来量化驾驶异常。该方法通过对先前观察到的信号调节模型来预测即将到来的驾驶场景。该系统使用预测信号和实际信号之间的预测器的输出的差异作为度量来量化驾驶段的异常程度。我们采取以驾驶员为中心的方法，考虑来自驾驶员的生理信号和来自车辆的控制器局域网总线（CAN总线）信号。该方法使用卷积神经网络（CNN）来实现，以提取有区别的特征表示，并使用长短期记忆（LSTM）单元来捕获时间信息。该研究是用驾驶异常数据集（DAD）进行实施和评估的，该数据集包括250小时的自然记录，手动注释有驾驶事件。实验结果表明，记录注释的事件可能是异常的，如避免道路上的行人和违反交通规则，有更高的异常分数比没有任何事件注释的记录。结果进行了验证与感知评估，其中注释者被要求评估的风险和熟悉的视频检测到高异常分数。结果表明，具有较高异常分数的驾驶段比其他驾驶段更危险，在道路上更不规则，验证了所提出的无监督方法。
2022-03-15 cs.CV
Unsupervised Deep Generative Models for Anomaly Detection in Neuroimaging: A Systematic Scoping Review
Univ Rennes, Inria, CNRS, Inserm, IRISA UMR 6074, Empenn, Rennes, France（法国里昂大学、Inria、CNRS、Inserm、IRISA UMR 6074、Empenn、里昂）；Siemens Healthineers, Courbevoie, France（法国西门子医疗影像公司、Courbevoie）；CHU Rennes, Radiology Department, Rennes, France（里昂大学医院、放射科、法国里昂）；CHU Rennes, Physical Medicine and Rehabilitation Department, Rennes, France（里昂大学医院、康复医学部、法国里昂）；Centre de Kerpape, Ploemeur, France（凯帕尔中心、法国普洛梅尔）；Univ Rennes, Inria, CNRS, IRISA, Rennes, France（法国里昂大学、Inria、CNRS、IRISA、里昂）
本文综述了无监督深度生成模型在神经影像异常检测中的应用，指出其在病理无关定位中的潜力及现存挑战。
2026-08-19 cs.CV
Dual-encoder Bidirectional Generative Adversarial Networks for Anomaly Detection
Corporate Research and Development Center, Toshiba Corporation（东芝公司企业研发中心）
生成对抗网络（GANs）已经显示出解决各种问题的希望，包括异常检测。当使用仅学习正常数据样本的特征的GAN模型执行异常检测时，与正常数据不相似的数据被检测为异常样本。本方法是通过在双向GAN架构中采用双编码器来开发的，该架构同时用生成器和卷积神经网络来训练。通过学习机制，所提出的方法旨在减少坏的周期一致性的问题，其中双向GAN可能无法再现正常和异常样本之间存在较大差异的样本。我们假设坏的周期一致性发生时，该方法没有保留足够的样本数据的信息。我们表明，我们提出的方法在捕获正常样本的分布方面表现良好，从而提高了基于GAN模型的异常检测。实验报告中，我们的方法被应用到公开的数据集，包括应用到脑磁共振成像异常检测系统。
2020-12-22 cs.CV cs.LG
TAnoGAN: Time Series Anomaly Detection with Generative Adversarial Networks
Queensland University of Technology（昆士兰科技大学）
时间序列数据的异常检测是制造业、医学成像和网络安全等应用领域面临的一个重要问题。近年来，生成对抗网络（GAN）在图像域的生成和异常检测方面受到了关注。在本文中，我们提出了一种新的基于GAN的无监督方法TAnoGan，用于在少量数据点可用时检测时间序列中的异常。我们用46个真实世界的时间序列数据集来评估TAnoGan，这些数据集涵盖了各个领域。大量的实验结果表明，TAnoGan表现优于传统的和神经网络模型。
2020-09-25 cs.CV cs.LG stat.ML
Anomaly Score: Evaluating Generative Models and Individual Generated Images based on Complexity and Vulnerability
School of Integrated Technology, Yonsei University（延世大学融合技术学院）
本文研究生成图像评估问题，通过分析表示空间复杂性与特征脆弱性，提出异常分数 AS 及单图指标 AS-i，用于评估生成模型和个体生成图像。
2024-04-09 cs.CV cs.LG
Anomaly Detection using Generative Models and Sum-Product Networks in Mammography Scans
VRVis Zentrum für Virtual Reality und Visualisierung Forschungs-GmbH（VRVis虚拟现实与可视化研究中心有限责任公司）；Aalto University（阿尔托大学）
由于医学数据的注释是一项繁琐的任务，因此仅由健康数据训练的无监督异常检测模型近年来变得越来越重要。自动编码器和生成对抗网络是用于学习数据分布的标准异常检测方法。然而，当涉及到测试样本的可能性的推断和评估时，它们不足。我们提出了一种新的组合生成模型和概率图形模型。在自动编码器对图像样本进行编码后，数据的分布由随机和张量和积网络建模，确保在测试时进行准确和有效的推理。我们评估了不同的自动编码器架构，结合随机和张量和积网络对乳腺X射线摄影图像进行分块处理，并观察到优于利用模型独立和最先进的医疗数据异常检测的性能。
2022-10-12 cs.CV cs.LG
Supervised Anomaly Detection Method Combining Generative Adversarial Networks and Three-Dimensional Data in Vehicle Inspections
JR East Information Systems Company（东日本旅客铁道信息系统公司）；East Japan Railway Company（东日本旅客铁道公司）
机车车辆地板下设备的外部目视检查目前通过人工目视检查进行。在这项研究中，我们试图部分自动化的视觉检测，通过调查异常检测算法，使用图像处理技术。由于铁路维修研究往往有很少的异常数据，无监督学习方法通常是首选的异常检测，然而，训练成本和准确性仍然是一个挑战。此外，研究人员通过添加噪声等从正常图像创建异常图像，但本研究中的异常目标是管道旋塞的旋转，这是很难使用噪声创建的。因此，在这项研究中，我们提出了一种新的方法，使用风格转换通过生成对抗网络的三维计算机图形和模仿异常图像应用基于监督学习的异常检测。采用几何一致的风格转换模型对图像进行风格转换，成功地使图像的颜色和纹理在保持异常形状的同时模仿真实图像。使用所生成的异常图像作为监督数据，可以容易地训练异常检测模型，而无需复杂的调整，并成功地检测异常。
2022-12-22 cs.CV cs.LG eess.IV
Anomaly Detection in Particulate Matter Sensor using Hypothesis Pruning Generative Adversarial Network
SK Planet Co.,Ltd.（SK Planet有限公司）
世界卫生组织（WHO）提供了管理颗粒物（PM）水平的指南，因为当PM水平较高时，它会威胁人类健康。为了管理PM水平，首先需要测量PM值的程序。我们使用基于锥形元件振荡微量天平（TEOM）的PM测量传感器，因为它比基于β衰减监测器（BAM）的传感器具有更高的成本效益。然而，基于TEOM的传感器比基于BAM的传感器具有更高的故障概率。在本文中，我们称之为异常的整体故障，我们的目标是检测异常的PM测量传感器的维护。本文提出了一种基于假设剪枝的生成对抗网络（HP-GAN）。我们通过实验比较了几种异常检测架构，以证明我们的表现更好。
2020-02-14 cs.CV cs.LG eess.IV
FLASH: A "Generate Once, Synthesize Many" Framework for Synthetic Anomaly Generation in Industrial Anomaly Detection
Silicon University（硅谷大学）；Intel（英特尔）
FLASH提出“一次生成，多次合成”框架，解耦缺陷生成与异常合成，利用VLM和图像生成模型提取可复用缺陷补丁，结合OBS和MRSP高效合成多样异常，在MVTec AD 2上以78.1% F1接近真实异常性能，速度提升11.95倍。
2026-11-06 cs.CV
on the effectiveness of generative adversarial network on anomaly detection
Gina Cody School of Engineering and Computer Science（吉娜·科迪工程与计算机科学学院）；Concordia University（康考迪亚大学）
识别异常是指检测不类似于训练数据分布的样本。许多生成模型已被用于发现异常，其中，基于生成对抗网络（GAN）的方法目前非常流行。GANs主要依靠这些模型的丰富上下文信息来识别实际的训练分布。根据这种类比，我们提出了一种基于GANs的新的无监督模型-自动编码器和GAN的组合。此外，引入了一种新的评分函数来定位异常，其中，异常的内部表示和生成器的视觉表示的线性组合加上自动编码器的编码表示一起来定义所提出的异常分数。该模型在SVHN、CIFAR 10和MNIST等基准数据集以及白血病图像的公共医学数据集上进行了进一步评估。在所有的实验中，我们的模型都优于现有的模型，同时稍微提高了推理时间。
2021-12-31 cs.CV cs.LG
Spatial-aware Attention Generative Adversarial Network for Semi-supervised Anomaly Detection in Medical Image
School of Computer Science, Wuhan University（武汉大学计算机学院）；School of Computer Science, Central China Normal University（华中师范大学计算机学院）；University of Louisville（路易斯维尔大学）
针对含正常与异常样本的未标注医学图像利用不足问题，提出SAGAN，通过位置编码、注意力及放宽循环一致性生成健康图像并计算差异分数，在三个数据集上优于现有方法。
2024-05-21 cs.CV eess.IV
Hybrid Open-set Segmentation with Synthetic Negative Data
University of Zagreb Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算机学院）
本文提出了一种融合生成式和判别式线索的新型异常分数，通过升级闭集分割模型实现混合开集分割，在计算开销可忽略的情况下表现出强大的开集性能。
2024-04-24 cs.CV
Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery
Medical University Vienna（维也纳医科大学）
获得捕获与疾病进展和治疗监测相关的成像标志物的模型具有挑战性。模型通常基于大量的数据，并带有旨在自动检测的已知标记的注释示例。高注释工作量和对已知标记的词汇表的限制限制了这种方法的能力。在这里，我们执行无监督学习，以识别异常的图像数据作为候选标记。我们提出了AnoGAN，这是一种深度卷积生成对抗网络，用于学习正常解剖变异性的流形，并基于从图像空间到潜在空间的映射，提出了一种新的异常评分方案。应用于新数据，该模型标记异常，并对图像块进行评分，以表明它们是否适合学习的分布。对视网膜的光学相干断层扫描图像的结果表明，该方法正确地识别异常图像，例如包含视网膜液体或过度反射焦点的图像。
2017-03-17 cs.CV cs.LG
Reversing the Abnormal: Pseudo-Healthy Generative Networks for Anomaly Detection
Technical University of Munich（慕尼黑工业大学）；Helmholtz AI（亥姆霍兹人工智能）；Helmholtz Center Munich（亥姆霍兹慕尼黑中心）；Klinikum Rechts der Isar（伊萨尔河右岸医院）；Imperial College London（帝国理工学院）；King’s College London（伦敦国王学院）
早期和准确的疾病检测对于患者管理和成功的治疗结果至关重要。然而，医学图像中异常的自动识别可能具有挑战性。传统方法依赖于难以获得的大型标记数据集。为了克服这些限制，我们引入了一种新的无监督方法，称为PHANES（用于异常分割的伪健康生成网络）。我们的方法具有逆转异常的能力，即，保留健康组织并用伪健康（PH）重建替换异常区域。与最近的扩散模型不同，我们的方法不依赖于学习的噪声分布，也不对整个图像引入随机改变。相反，我们使用潜在的生成网络来创建可能异常的掩码，这些掩码使用修复生成网络进行优化。我们证明了PHANES在T1w脑MRI数据集中检测中风病变的有效性，并显示出比最先进的（SOTA）方法有显着改进。我们相信，我们提出的框架将为可解释的，快速的和准确的异常分割开辟新的途径，并有可能支持各种面向临床的下游任务。
2023-03-15 cs.CV cs.LG eess.IV
Acoustic anomaly detection via latent regularized gaussian mixture generative adversarial networks
East China Normal University（华东师范大学）；Shanghai Jiao Tong University（上海交通大学）
声波异常检测的目的是区分异常声波信号和正常声波信号。它存在着阶级不平衡问题和非正常情况的缺乏。此外，收集各种异常或未知样本用于训练目的是不切实际且耗时的。提出了一种基于半监督学习框架的高斯混合生成对抗网络（GMGAN），该网络不仅可以在谱图重构空间中捕获训练数据的底层结构，还可以在潜在表征空间中以判别的方式进一步限制训练数据的底层结构。实验结果表明，该模型具有明显的优越性，并取得了最先进的结果在DCASE数据集。
2020-02-05 cs.CV cs.LG cs.SD
A versatile anomaly detection method for medical images with a flow-based generative model in semi-supervision setting
The University of Tokyo Hospital（东京大学医院）；The University of Tokyo（东京大学）；RIKEN（理化学研究所）
医学图像中的监督是一个关键问题，并且期望医学图像的及时报告。因此，强烈需要一种能够检测给定图像中几乎所有类型的病变/疾病的通用异常检测方法。然而，很少有商业上可用的和通用的异常检测方法的医学图像已经提供到目前为止。最近，基于深度学习方法的异常检测方法迅速普及，这些方法似乎为问题提供了合理的解决方案。然而，标记深度学习训练所需的图像的工作量仍然很大。在这项研究中，我们提出了一个异常检测方法的基础上，两个训练流为基础的生成模型。使用这种方法，后验概率可以计算为任何给定图像的正态性度量。生成模型的训练需要两组图像：一组仅包含正常图像，另一组包含正常和异常图像，没有任何标签。在后一组中，每个样本不必被标记为正常或异常;因此，图像的任何混合（例如，医院中的所有病例）可以用作数据集，而无需繁琐的手动标记。两种类型的医学图像的方法进行了验证：胸部X射线摄影（CXR）和脑计算机断层扫描（BCT）。CXR（肺炎样阴影为0.868）和BCT（梗死为0.904）的对数后验概率的受试者工作特征曲线下面积与先前使用其他异常检测方法的研究中的受试者工作特征曲线下面积相当。这一结果显示了我们的方法的通用性。
2020-10-20 cs.CV cs.LG eess.IV
