ReMoE: Report-Guided Mixture-of-Experts for Multimodal OCT/OCTA Anomaly Detection
针对多模态OCT/OCTA异常检测，提出ReMoE模型，融合正常报告语义构建模态感知先验，在两个数据集上取得最优性能。
2026-08-03 cs.CV
Constricting Normal Latent Space for Anomaly Detection with Normal-only Training Data
University of Science and Technology（科学技术大学）；Electronics and Telecommunications Research Institute（电子通信研究院）；University of Luxembourg（卢森堡大学）；Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文提出一种新颖的潜在约束损失，限制自编码器对异常数据的重建能力，在测试时无额外计算成本，提升了视频异常检测性能。
2024-03-24 cs.CV
Two-stream Decoder Feature Normality Estimating Network for Industrial Anomaly Detection
Yonsei University（延世大学）
由于构造异常数据集的困难，基于图像重建的异常检测近年来受到关注。这些方法的工作原理是在训练过程中学习对正常特征进行建模，而不会看到异常样本，然后在测试时根据重建错误来区分异常。然而，这些模型在重构异常样本时存在局限性，因为它们不加选择地传递特征。此外，这些方法没有明确优化可区分的异常。为了解决这些问题，我们提出了一个双流解码器网络（TSDN），旨在学习正常和异常的功能。此外，我们提出了一个特征正态性估计（FNE），以消除异常特征，并防止高质量的重建异常区域。对标准基准的评价表明，性能优于最先进的模型。
2023-02-20 cs.CV
Learning Memory-guided Normality for Anomaly Detection
Yonsei University（延世大学）
我们解决的问题，异常检测，即检测视频序列中的异常事件。基于卷积神经网络（CNN）的异常检测方法通常利用代理任务（例如重建输入视频帧）来学习描述正常性的模型，而无需在训练时看到异常样本，并在测试时使用重建误差来量化异常程度。这些方法的主要缺点是它们没有明确考虑正常模式的多样性，并且CNN的强大表示能力允许重建异常视频帧。为了解决这个问题，我们提出了一种无监督学习的异常检测方法，该方法明确考虑了正常模式的多样性，同时降低了CNN的表示能力。为此，我们建议使用一个新的更新计划，在内存中的项目记录正常数据的原型模式的内存模块。我们还提出了新的特征紧凑性和分离性损失来训练记忆，增强记忆项目和从正常数据中深入学习的特征的辨别力。标准基准测试的实验结果表明，我们的方法的有效性和效率，它优于最先进的。
2020-03-30 cs.CV
UniADC: A Unified Framework for Anomaly Detection and Classification
Beijing University of Posts and Telecommunications（北京邮电大学）；China University of Mining（中国矿业大学）；VinUniversity（文理大学）
提出UniADC模型，通过无训练可控修复网络和隐式正态判别器，同时实现异常区域检测与类别识别，在少样本甚至零样本下超越现有方法。
2026-06-08 cs.CV
Object-centric and memory-guided normality reconstruction for video anomaly detection
Université Paris-Saclay（巴黎萨克雷大学）；CEA（法国原子能和替代能源委员会）；CNRS（法国国家科学研究中心）
本文提出一种以对象为中心且记忆引导的正常性建模框架，通过耦合预训练动作特征原型与余弦距离异常估计函数，在主流重建策略中引入额外约束，在多个数据集的时空评估指标上优于现有最先进方法。
2023-05-19 cs.CV
Re Learning Memory Guided Normality for Anomaly Detection
Pune Institute of Computer Technology（浦那计算机技术学院）；New York University（纽约大学）
作者介绍了一种新的无监督异常检测方法，该方法利用了他们论文中新引入的内存模块。我们验证了作者的说法，这有助于通过帮助网络学习原型模式来提高性能，并使用学习的记忆来降低卷积神经网络的表示能力。此外，我们验证了作者引入的两种损失的有效性，即分离性损失和紧凑性损失，以提高记忆项目和深度学习特征的区分能力。我们用记忆项目的t-SNE图来检验疗效。
2021-01-29 cs.CV
M2P-AD: Memory-to-Prototype Learning with Boundary-aware Score Refinement for 3D Anomaly Detection
Jeonbuk National University（全北国立大学）；Korea Institute of Industrial Technology (KITECH)（韩国产业技术研究院）
针对3D异常检测中正常区域过度异常响应和物体边界附近误报问题，提出M2P-AD模型，通过M2P模块学习原型、BE模块提取边界，结合BSR策略校准分数，在多个数据集上实现最优性能，提升异常检测准确性与稳定性。
2026-07-16 cs.CV
Prior Normality Prompt Transformer for Multi-class Industrial Image Anomaly Detection
Tsinghua University（清华大学）；Huazhong University of Science and Technology（华中科技大学）；Beijing Institute of Technology（北京理工大学）
针对多类别工业异常检测中重建模型的恒等捷径学习问题，本文提出 PNPT，通过先验正常性提示和双流重建架构提升正常与异常样本的区分性能。
2024-06-17 cs.CV
DDR-ID: Dual Deep Reconstruction Networks Based Image Decomposition for Anomaly Detection
Institute for Infocomm Research, A*STAR（新加坡科技研究局资讯通信研究院）
图像异常（AD）检测的一个关键挑战是仅从正常类训练图像中学习判别信息。大多数基于图像重建的AD方法依赖于重建误差的鉴别能力。这是启发式的，因为图像重建是无监督的，没有结合正常类特定的信息。在本文中，我们提出了一种AD方法称为双深度重建网络的图像分解（DDR-ID）。通过对一类损失、潜在空间约束损失和重构损失进行联合优化来训练网络。经过训练后，DDR-ID可以将不可见图像分别分解为正常类和残差分量。通过计算两个异常得分来量化图像在正常类潜在空间或重建图像空间中的异常程度。由此，可以经由对异常分数进行阈值化来执行异常检测。实验表明，DDR-ID在使用MNIST、CIFAR-10和Endosome数据集进行图像异常检测以及使用GTSRB数据集进行对抗攻击检测方面优于多种相关基准测试方法。
2020-07-18 cs.CV
Novel Anomaly Detection Scenarios and Evaluation Metrics to Address the Ambiguity in the Definition of Normal Samples
Meijo University（名城大学）
本文提出新颖的异常检测场景和评估指标，以应对实际应用中正常样本定义的模糊性，并通过RePaste方法提升学习效果，实验证明其在MVTec AD基准上的优越性能。
2026-04-08 cs.CV
FastFlow: Unsupervised Anomaly Detection and Localization via 2D Normalizing Flows
SenseTime Research（商汤科技研究院）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
当无法收集和标记足够的异常数据时，无监督的异常检测和定位对实际应用至关重要。大多数现有的基于表示的方法使用深度卷积神经网络来提取正常图像特征，并通过非参数分布估计方法来表征相应的分布。通过测量测试图像的特征与估计分布之间的距离来计算异常分数。然而，目前的方法不能有效地将图像特征映射到一个易于处理的基础分布，忽略了局部和全局特征之间的关系，这是重要的识别异常。为此，我们提出了FastFlow实现2D规范化流，并使用它作为概率分布估计。我们的FastFlow可以作为一个插件模块与任意深度特征提取器（如ResNet和视觉Transformer）一起使用，用于无监督的异常检测和定位。在训练阶段，FastFlow学习将输入的视觉特征转换为易处理的分布，并在推理阶段获得识别异常的可能性。MVTec AD数据集上的大量实验结果表明，FastFlow在各种骨干网络的准确性和推理效率方面超过了以前的最先进的方法。我们的方法实现了99.4%的AUC异常检测与高推理效率。
2021-11-16 cs.CV
DMP-3DAD: Cross-Category 3D Anomaly Detection via Realistic Depth Map Projection with Few Normal Samples
Niigata University（Niigata大学）；University of Toyama（Toyama大学）；Iwate University（Iwate大学）；NingboTech University（NingboTech大学）
DMP-3DAD通过真实深度图投影实现跨类3D异常检测，无需训练即可高效检测少样本场景下的异常点云。
2026-02-11 cs.CV
VT-3DAD: Cross-Category 3D Anomaly Detection via Visual-Text Normal Space Alignment
Niigata University（Niigata大学）；University of Toyama（Toyama大学）；Iwate University（Iwate大学）
提出VT-3DAD无训练框架，通过冻结CLIP编码器提取多视图视觉特征和文本正常锚点，融合视觉与语义偏差实现跨类别3D异常检测，在ShapeNetPart上达到最优性能。
2026-06-03 cs.CV
Domain-Generalized Textured Surface Anomaly Detection
National Taiwan University（台湾大学）；Inventec Corporation（英业达股份有限公司）
异常检测旨在识别偏离正常数据的异常数据，同时通常需要足够量的正常数据来训练模型以执行该任务。尽管最近的异常检测方法的成功，在一个看不见的域执行异常检测仍然是一个具有挑战性的任务。在本文中，我们解决的任务域广义纹理表面异常检测。通过观察多个源域的正常和异常表面数据，我们的模型预计将被推广到一个看不见的感兴趣的纹理表面，其中只有少量的正常数据可以在测试过程中观察到。虽然在训练数据中只观察到图像级标签，但我们的基于块的元学习模型具有很好的泛化能力：它不仅可以泛化到看不见的图像域，而且还可以定位查询图像中的异常区域。我们的实验验证了我们的模型在各种环境中对最先进的异常检测和领域泛化方法表现良好。
2022-03-23 cs.CV
Physics-inspired Pseudo Anomaly Generation and Prototype Feature Guidance for 3D Anomaly Detection
School of Computer Science, Wuhan University（武汉大学计算机科学学院）；Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东省人工智能与数字经济实验室（深圳））；School of Information and Software Engineering, East China Jiaotong University（华东交通大学信息工程学院）；School of Computer Science and Technology, Dalian University of Technology（大连理工大学计算机科学与技术学院）
针对3D点云异常检测中真实异常样本稀缺等问题，提出PA3AD框架，采用物理启发式伪异常生成策略及原型特征引导，通过关键创新有效学习分布变化，实验证明其检测性能优于现有方法。
2026-07-14 cs.CV
Sub-clusters of Normal Data for Anomaly Detection
Kyung hee University（庆熙大学）
数据分析中的异常检测是一个有趣但仍然具有挑战性的研究课题。随着数据维复杂性的增加，需要理解其描述中的语义上下文，以便有效地进行异常描述。然而，现有的异常检测方法对高维数据（如ImageNet）表现出有限的性能。现有的研究已经评估了他们的性能低维，清洁和良好分离的数据集，如MNIST和CIFAR-10。本文研究高维复杂正态数据的异常检测问题。我们的观察是，在一般情况下，异常数据是由语义上可解释的功能，这些功能也可以用于定义正常数据的语义子集群。我们假设，如果存在合理的好的特征空间，语义上分离的子集群给定的正常数据，看不见的异常也可以很好地区分在空间中的正常数据。我们建议对给定的正常数据进行语义聚类，并训练分类器来学习最终进行异常检测的判别特征空间。基于我们对MNIST，CIFAR-10和ImageNet进行的仔细和广泛的实验评估，以及正常和异常数据的各种组合，我们表明我们的异常检测方案优于最先进的方法，特别是高维真实世界图像。
2020-11-17 cs.CV cs.LG
Unsupervised Anomaly Detection via Masked Diffusion Posterior Sampling
School of Automation Engineering, University of Electronic Science and Technology of China(UESTC)（电子科技大学自动化工程学院）；Shenzhen Institute for Advanced Study, UESTC（电子科技大学深圳高等研究院）
本文提出一种高度可解释的无监督异常检测方法 MDPS，通过在贝叶斯框架下结合掩码噪声观测模型和扩散先验进行多次扩散后验采样来重构正常图像，在 MVTec 和 BTAD 数据集上实现了最先进的异常检测与定位性能。
2024-04-27 cs.CV
ArcAD: Anomaly-Rectified Calibration for Cold-Start Supervised Anomaly Detection
Faculty of Computing, Harbin Institute of Technology, Harbin, China University of New South Wales, Sydney, Australia School of Biomedical Engineering, Tsinghua University, Beijing, China School of Artificial Intelligence；Robotics, Hunan University, Changsha, China Big data institute, Central South University, Sydney, Australia DZ-Matrix, Beijing, China Chongqing Research Institute of HIT, Chongqing, China
针对工业异常检测中冷启动场景下正常样本不足、异常样本稀少的问题，提出基于推拉学习范式的即插即用校准框架ArcAD，通过将正常样本投影到超球面并聚类、合成伪异常并利用真实异常优化边界，在多个数据集上显著优于现有方法。
2026-08-04 cs.CV
Beyond Normal References: Discriminative Few-Shot Anomaly Detection
Singapore Management University, Singapore（新加坡国立管理学院）；University of Wollongong, Australia（沃林戈大学）
提出IDEAL框架，通过内在偏差学习同时利用正常和异常参考，抑制正常变化并提取判别性偏差向量，实现少样本异常检测的泛化。
2026-10-01 cs.CV
FreqAnchorAD: Language-Free Zero-Shot Anomaly Detection via Frequency-Deviation Anchoring
该研究针对现有零样本异常检测方法未建模频率特征的问题，提出FreqAnchorAD框架，通过LFCM、FDAP和AAS模块在13个工业及医学基准上实现了图像级和像素级异常检测的最优平均性能。
2026-08-04 cs.CV
LGN-Net: Local-Global Normality Network for Video Anomaly Detection
Fudan University（复旦大学）；Henan University of Science and Technology（河南科技大学）；University of Shanghai for Science and Technology（上海理工大学）；Shanghai University of Electric Power（上海电力大学）
视频异常检测（VAD）由于其在智能视频系统中的潜在应用而受到广泛关注。现有的无监督VAD方法倾向于从仅由正常视频组成的训练集学习正态性，并将偏离这种正态性的实例视为异常。然而，他们往往只考虑局部或整体的正常性的时间维度。他们中的一些人专注于从连续帧中学习局部时空表示，以增强正常事件的表示。但是，强大的表示能力使这些方法能够表示一些异常，并导致漏检。相比之下，其他方法致力于记忆整个训练视频的原型正常模式，以削弱异常的泛化能力，这也限制了它们代表不同的正常模式，并导致虚警。为此，我们提出了一个双分支模型，局部-全局正态网络（LGN-Net），同时学习局部和全局正态性。具体地说，一个分支学习的外观和运动的演变周期从连续帧作为局部常态利用时空预测网络，而另一个分支记忆的原型特征的整个视频作为全局常态的记忆模块。LGN-Net通过融合局部和全局正态性来实现正常和异常实例的平衡。此外，融合的常态使LGN网络能够推广到各种场景，而不是利用单一的常态。实验证明了该方法的有效性和优越性能。该代码可在线获取：https://github.com/Myzhao1999/LGN-Net。
2023-01-08 cs.CV
DRAEM -- A discriminatively trained reconstruction embedding for surface anomaly detection
University of Ljubljana（卢布尔雅那大学）；Faculty of Computer Information Science（计算机信息科学学院）
视觉表面异常检测旨在检测明显偏离正常外观的局部图像区域。最近的表面异常检测方法依赖于生成模型，以准确地重建正常区域和异常失败。这些方法仅在无异常的图像上训练，并且通常需要手工制作的后处理步骤来定位异常，这禁止优化特征提取以获得最大检测能力。除了重建的方法，我们铸造表面异常检测主要作为一个判别问题，并提出了一个判别训练重建异常嵌入模型（DRAEM）。该方法学习异常图像及其无异常重建的联合表示，同时学习正常和异常示例之间的决策边界。该方法能够直接异常定位，而不需要额外的复杂的后处理的网络输出，可以使用简单和一般的异常模拟训练。在具有挑战性的MVTec异常检测数据集上，DRAEM的性能大大优于当前最先进的无监督方法，甚至在广泛使用的DAGM表面缺陷检测数据集上提供接近全监督方法的检测性能，同时在定位精度方面大大优于它们。
2021-09-27 cs.CV
VQ-Flow: Taming Normalizing Flows for Multi-Class Anomaly Detection via Hierarchical Vector Quantization
University of Electronic Science and Technology of China（电子科技大学）；Tongji University（同济大学）；Juntendo University（顺天堂大学）；System Research Institute of Polish Academy of Sciences（波兰科学院系统研究所）；RIKEN AIP（理化学研究所人工智能研究中心）
本文提出VQ-Flow，通过分层向量量化构建概念原型码本和概念特定模式码本，使归一化流在无标签多类正常数据上实现概念感知建模，在MVTec AD上取得领先的异常检测与定位性能。
2024-09-02 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
Semantic Iterative Reconstruction: One-Shot Universal Anomaly Detection
本文提出语义迭代重建框架，通过极少正常样本实现跨医疗领域的异常检测，实验表明其在多种设置下均优于现有方法。
2026-04-02 cs.CV
Anomaly Crossing: New Horizons for Video Anomaly Detection as Cross-domain Few-shot Learning
Corning Inc.（康宁公司）；University of Rochester（罗切斯特大学）
视频异常检测的目的是识别视频中发生的异常事件。由于异常事件相对罕见，因此收集平衡数据集并训练二元分类器来解决任务是不可行的。因此，大多数以前的方法只使用无监督或半监督方法从正常视频中学习。显然，它们在捕获和利用有区别的异常特征方面受到限制，这导致异常检测性能受损。在本文中，为了解决这个问题，我们提出了一个新的学习范式，充分利用正常和异常的视频视频异常检测。特别是，我们制定了一个新的学习任务：跨域的Few-Shot异常检测，它可以转移从源域中的大量视频中学习到的知识，以帮助解决目标域中的Few-Shot异常检测。具体地说，我们利用目标正常视频的自我监督训练，以减少域差距，并设计了一个Meta上下文感知模块，探索视频上下文的事件在Few-Shot设置。我们的实验表明，我们的方法在DoTA和UCF-Crime数据集上的性能明显优于基线方法，新任务有助于为异常检测提供更实用的训练范例。
2022-11-23 cs.CV
Real-world Anomaly Detection in Surveillance Videos
Information Technology University（信息技术大学）；University of Central Florida（中佛罗里达大学）
监控录像能够捕捉到各种真实的异常情况。在本文中，我们建议通过利用正常和异常视频来学习异常。为了避免注释训练视频中的异常片段或剪辑，这是非常耗时的，我们建议通过利用弱标记的训练视频，即训练标签（异常或正常）处于视频级别而不是剪辑级别，通过深度多实例排名框架来学习异常。在我们的方法中，我们将正常和异常视频视为包，将视频片段视为多实例学习（MIL）中的实例，并自动学习深度异常排名模型，该模型预测异常视频片段的高异常分数。此外，我们在排名损失函数中引入稀疏性和时间平滑性约束，以更好地在训练期间定位异常。我们还介绍了一个新的大规模的128小时视频数据集。它由1900个长而未经修剪的真实世界监控视频组成，除了正常活动外，还有打斗、交通事故、入室盗窃、抢劫等13种现实异常。该数据集可用于两个任务。首先，考虑一组中的所有异常和另一组中的所有正常活动的一般异常检测。第二，识别13种异常活动。我们的实验结果表明，我们的MIL异常检测方法实现了显着改善异常检测性能相比，国家的最先进的方法。我们提供了最近几个关于异常活动识别的深度学习基线的结果。这些基线的低识别性能表明，我们的数据集非常具有挑战性，并为未来的工作提供了更多的机会。该数据集可在以下网址获得：https://webpages.uncc.edu/cchen62/dataset.html
2019-02-14 cs.CV
Normal-Abnormal Guided Generalist Anomaly Detection
Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学）；University of Liverpool（利物浦大学）
提出正常-异常引导的通用异常检测方法，通过NAGL框架中的残差挖掘和异常特征学习，利用正常与异常样本作为参考，实现跨领域异常检测，显著优于现有方法。
2025-10-17 cs.AI cs.CV
Dual Memory Units with Uncertainty Regulation for Weakly Supervised Video Anomaly Detection
Huazhong University of Science and Technology（华中科技大学）
学习判别特征有效地将异常事件从正常事件中分离出来是弱监督视频异常检测（WS-VAD）任务的关键。现有的方法，无论是视频和段级标签导向，主要集中在提取异常数据的表示，而忽略了正常数据的含义。我们观察到这样的方案是次优的，即，为了更好地区分异常，需要理解什么是正常状态，并且可能产生更高的误报警率。为了解决这个问题，我们提出了一个不确定性调节的双记忆单元（UR-DMU）模型，学习正常数据的表示和异常数据的判别特征。具体来说，受图卷积网络的传统全局和局部结构的启发，我们为Transformer网络引入了全局和局部多头自注意（GL-MHSA）模块，以获得更具表现力的嵌入，用于捕获视频中的关联。然后，我们使用两个存储体，一个额外的异常存储器处理硬样本，存储和分离异常和正常的原型，并最大限度地提高两个表示之间的裕度。最后，我们提出了一个不确定性学习计划来学习正常的数据潜在空间，这是强大的噪声从相机切换，对象变化，场景变换等XD暴力和UCF犯罪数据集上的广泛实验表明，我们的方法优于国家的最先进的方法由一个相当大的利润。
2023-02-10 cs.CV
RandomSEMO: Normality Learning Of Moving Objects For Video Anomaly Detection
Yonsei University（延世大学）
最近的异常检测算法通过采用帧预测自编码器表现出强大的性能。然而，这些方法面临两个挑战性的情况。首先，它们可能被训练得过于强大，甚至可以很好地生成异常帧，这导致检测异常失败。其次，他们被前景和背景中捕捉到的大量物体分散了注意力。为了解决这些问题，我们提出了一种新的基于超像素的视频数据转换技术，称为随机超像素擦除移动对象（RandomSEMO）和移动对象丢失（MOLoss），建立在一个简单的轻量级自动编码器之上。RandomSEMO通过随机擦除它们的超像素来应用于移动对象区域。它强制网络关注前景对象，更有效地学习正常特征，而不是简单地预测未来帧。此外，MOLoss敦促模型通过放大移动对象附近像素的损失来专注于学习RandomSEMO中捕获的正常对象。实验结果表明，我们的模型优于国家的最先进的三个基准。
2022-02-13 cs.CV
A Promotion Method for Generation Error Based Video Anomaly Detection
Tsinghua University（清华大学）
监控视频异常检测是指检测某个场景中很少或从未发生过的事件。基于生成误差（GE）的方法在这一任务上表现出优异的性能。他们首先训练一个生成神经网络（GNN）来生成正常样本，然后将具有大GE的样本判断为异常。几乎所有基于GE的方法都利用帧级GE来检测异常。然而，异常一般发生在局部区域，帧级广义相对论将正常区域的广义相对论引入到异常判别中，这带来了两个问题：（1）正常区域的广义相对论降低了异常帧的异常显著性。ii）不同的视频具有不同的正常GE水平，因此很难为所有视频设置统一的阈值来检测异常。为了解决这些问题，我们提出了一种提升方法：利用帧上块级GE的最大值来检测异常。首先，我们计算在帧上的每个位置处的块级GE。然后，我们利用帧上的块级GE的最大值来检测异常。在已有GNN模型的基础上，在多个数据集上进行了实验。实验结果表明了该方法的有效性，达到了最佳性能。
2020-03-17 cs.CV
Normality-Preserving Continual Industrial Anomaly Detection via Orthogonal LoRA Banks
Yisu University（Yorkshire University）
提出基于历史冻结正交LoRA库和分层新颖性自适应库增长模块的框架，解决扩散模型在持续工业异常检测中的历史正态先验漂移和灾难性遗忘问题。
2026-06-01 cs.CV
Constrained Adaptive Projection with Pretrained Features for Anomaly Detection
Shenzhen Institute of Advanced Study, UESTC（电子科技大学深圳高等研究院）
异常检测的目的是将异常从正常样本中分离出来，而预训练的网络在异常检测方面具有很好的应用前景。然而，当对一类训练数据进行微调时，调整预训练的特征将面临模式崩溃的风险。在本文中，我们提出了一个异常检测框架称为约束自适应投影与预训练的功能（CAP）。结合预训练特征，设计了一个简单的线性投影头，应用于特定的输入及其k个最相似的预训练正常表示进行特征自适应，并利用改进的自注意挖掘一类语义特征之间的内在联系。提出了一种损失函数来避免潜在的模式崩溃。具体地说，它考虑了特定数据与其相应的自适应法线表示之间的相似性，并引入了一个约束项，使预训练空间和自适应空间稍微对齐。我们的方法在语义异常检测和感官异常检测基准上实现了最先进的异常检测性能，包括CIFAR- 100数据集上的96.5%AUROC，CIFAR-10数据集上的97.0%AUROC和MvTec数据集上的89.9%AUROC。
2022-04-25 cs.CV
Is Video Anomaly Detection Misframed? Evidence from LLM-Based and Multi-Scene Models
University of South Florida（佛罗里达州立大学）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
本文探讨视频异常检测是否应关注单场景、空间感知和可解释性，以捕捉环境中的正常结构，而非依赖多场景模型。
2026-05-12 cs.CV
Distribution Prototype Diffusion Learning for Open-set Supervised Anomaly Detection
Nanjing University of Science and Technology（南京理工大学）；Nanjing SeetaCloud Technology（南京海康威视科技）；Beijing Normal University（北京师范大学）
本文提出了一种分布原型扩散学习方法，通过构建可学习的高斯原型来创建潜在表示空间，以提高正常样本的判别边界，并通过Schroedinger桥促进正常样本向原型的扩散，同时将异常样本推离，从而提升异常检测性能。
2026-05-19 cs.CV
Attention-Guided Perturbation Network for Industrial Anomaly Detection
University of Louisville（路易斯维尔大学）
针对无监督图像异常检测中重构方法易漏检异常的问题，提出AGPNet框架，通过样本感知注意力掩码引导扰动，在MVTec系列数据集上取得优异性能。
2026-08-11 cs.CV
Anchor and Adapt: Asymmetric Prompt Adaptation for Few-Shot Industrial Anomaly Detection
Fudan University（复旦大学）
提出Anchor and Adapt两阶段提示学习框架，分离异常语义获取与目标正常外观适配，通过固定锚点和适配正常分支，在少样本工业异常检测中实现竞争性能，减少对类别特定模板的依赖。
2026-10-07 cs.AI cs.CV
What Remains Normal? Clean Images Miss Useful Near-Defect Normal Patches for Anomaly Detection
RatelSoft；Guangdong Provincial Laboratory of Traditional Chinese Medicine（广东省中医药实验室）
该研究针对基于内存的异常检测器的训练图像块选择问题，对比多种覆盖选择器，提出CLEANCON方法，可降低内存污染并提升P-AP，且发现内存污染与性能排序无对应关系。
2026-09-21 cs.CV
ADTR: Anomaly Detection Transformer with Feature Reconstruction
Shanghai Jiao Tong University（上海交通大学）；SenseTime Research（商汤科技研究院）；Sun Yat-sen University（中山大学）；Tsinghua University（清华大学）
由于异常样本的缺乏，仅利用正常样本的先验知识进行异常检测受到了越来越多的关注。现有的基于CNN的像素重建方法受到两个问题的困扰。首先，重建源和目标是包含不可区分的语义信息的原始像素值。其次，CNN倾向于很好地重建正常样本和异常样本，使它们仍然难以区分。在本文中，我们提出了异常检测变换器（ADTR）应用一个Transformer重建预训练的功能。预训练的特征包含可区分的语义信息。此外，采用Transformer限制了很好地重建异常，使得一旦重建失败就可以容易地检测到异常。此外，我们提出了新的损失函数，使我们的方法与正常的样本只有情况下，并与图像级和像素级标记的异常异常的异常可用的情况下兼容。通过添加简单的合成或外部无关异常可以进一步提高性能。在包括MVTec-AD和CIFAR-10的异常检测数据集上进行了大量的实验。与所有基线相比，我们的方法实现了卓越的性能。
2022-12-09 cs.CV
Anomaly Detection in Video Sequences: A Benchmark and Computational Model
Jiangxi University of Finance and Economics（江西财经大学）
异常检测已经吸引了相当多的搜索关注。然而，现有的异常检测数据库遇到两个主要问题。首先，它们的规模有限。其次，训练集只包含视频级标签，指示在整个视频期间存在异常事件，而缺乏精确持续时间的注释。为了解决这些问题，我们贡献了一个新的大规模异常检测（LAD）数据库作为基准的视频序列中的异常检测，这是在两个方面的特点。1)它包含2000个视频序列，包括正常和异常视频片段，包含碰撞，火灾，暴力等14个异常类别，场景种类繁多，是迄今为止最大的异常分析数据库。2)它提供了注释数据，包括视频级标签（异常/正常视频，异常类型）和帧级标签（异常/正常视频帧），以促进异常检测。利用LAD数据库的上述优点，我们进一步将异常检测作为一个完全监督学习问题，并提出了一个多任务深度神经网络来解决它。我们首先通过使用膨胀3D卷积（I3 D）网络获得局部时空上下文特征。然后，我们构建了一个循环卷积神经网络喂局部时空上下文特征提取时空上下文特征。利用全局时空背景特征，可以通过多任务神经网络同时计算异常类型和评分。实验结果表明，该方法优于国家的最先进的异常检测方法在我们的数据库和其他公共数据库的异常检测。代码可在https://github.com/wanboyang/anomaly_detection_LAD2000上获得。
2021-06-16 cs.CV
ProCon: Projection-Consistency Memory for Training-Free Anomaly Detection
Tsinghua University Shenzhen International Graduate School（清华大学深圳国际研究生院）；Ratel Soft；Affiliated Fifth Hospital, Wenzhou Medical University（温州医科大学附属第五医院）；Chinese Medicine Guangdong Laboratory（广东中医药大学实验室）
研究无训练异常检测，提出ProCon框架，将内存检索转变为无解码器重建，通过软投影、构建种子扰动分层内存等稳定投影残差，在多数据集单类别评估中性能优异。
2026-07-07 cs.CV
Weakly Supervised Video Anomaly Detection via Center-guided Discriminative Learning
Jiangxi University of Finance and Economics（江西财经大学）
由于视频内容和时长的多样性，监控视频中的异常检测是一项具有挑战性的任务。在本文中，我们认为视频异常检测作为一个回归问题的异常分数的视频剪辑在弱监督。因此，我们提出了一个异常检测框架，称为异常回归网络（AR-Net），它只需要在训练阶段的视频级标签。此外，为了学习异常检测的判别特征，我们为所提出的AR网络设计了动态多实例学习损失和中心损失。前者用于扩大异常实例与正常实例之间的类间距离，后者用于缩小正常实例的类内距离。全面的实验是在一个具有挑战性的基准上进行的：上海理工大学。我们的方法产生了一个新的国家的最先进的结果，视频异常检测上海科技数据集
2021-04-15 cs.CV
Omni-AD: Learning to Reconstruct Global and Local Features for Multi-class Anomaly Detection
Huazhong Agricultural University（华中农业大学）；Huazhong University of Science and Technology（华中科技大学）；Shenzhen University（深圳大学）
针对多类无监督异常检测中重构方法的学习捷径问题，提出Omni-AD框架，通过双分支解码器分别学习全局与局部正常模式特征，在公开基准上达到最先进性能。
2025-03-28 cs.CV
MLE-UVAD: Minimal Latent Entropy Autoencoder for Fully Unsupervised Video Anomaly Detection
University of Florida（佛罗里达大学）；Auburn University（阿伯伯大学）
本文提出MLE-UVAD方法，通过结合重建损失和最小潜在熵损失，有效区分正常与异常视频帧，实验表明其在两个基准和自采集驾驶数据集上表现优异。
2026-04-20 cs.CV
Visual Anomaly Detection Via Partition Memory Bank Module and Error Estimation
Nanjing University of Science and Technology（南京理工大学）
基于记忆模块的视觉异常检测重建方法试图缩小正常样本的重建误差，而扩大异常样本的重建误差。遗憾的是，现有的存储器模块并不完全适用于异常检测任务，并且异常样本的重建误差仍然很小。为此，本工作提出了一种新的无监督视觉异常检测方法，共同学习有效的正常功能，并消除不利的重建错误。具体而言，提出了一种新的分区存储体（PMB）模块，以有效地学习和存储正常样本的语义完整的详细特征。提出了一种新的划分机制和查询生成方法来保存上下文信息，提高了记忆模块的学习能力。提出的PMB和跳跃连接交替探索，使异常样本的重建更糟。为了获得更精确的异常定位结果，并解决累积重建误差的问题，提出了一种新的直方图误差估计模块，通过差分图像的直方图自适应地消除不利的误差。它在不增加成本的情况下提高了异常定位的性能。为了评估所提出的异常检测和定位方法的有效性，进行了广泛的实验上广泛使用的异常检测数据集。令人鼓舞的性能相比，最近的方法的基础上的内存模块证明了它的优越性。
2022-09-26 cs.CV
Dual-Modeling Decouple Distillation for Unsupervised Anomaly Detection
Beihang University（北京航空航天大学）；University of Science and Technology Beijing（北京科技大学）；Beijing Jiaotong University（北京交通大学）
针对无监督异常检测中学生网络过度泛化导致检测效果不佳的问题，提出双重建模解耦蒸馏（DMDD）方法，通过解耦特征并结合正常-异常图像对蒸馏，兼顾异常边缘与中心检测，在MVTec AD上取得SOTA定位性能。
2024-10-15 cs.CV
That's BAD: Blind Anomaly Detection by Implicit Local Feature Clustering
Tohoku University（东北大学）；RIKEN Center for AIP（理化学研究所AIP中心）
本文提出盲异常检测（BAD）设定，无需已知正常样本，将问题转化为局部离群点检测，并设计PatchCluster方法，在图像级和像素级异常检测上取得与单类设定SOTA方法相当的性能。
2023-07-06 cs.CV
BoRAD: Bootstrap your Own Representations for Multi-class Anomaly Detection
Department of Artificial Intelligence, FPT University（FPT大学人工智能系）；Department of IT, FPT University（FPT大学信息技术系）；Department of Computing Fundamental, FPT University（FPT大学计算基础系）
提出BoRAD框架，通过原型正则化解决多类异常检测中重建模型的捷径和误重建问题，无需标签即可实现单模型多类检测。
2026-06-15 cs.CV
Skip-GANomaly: Skip Connected and Adversarially Trained Encoder-Decoder Anomaly Detection
Durham University（杜伦大学）
尽管固有的不明确，异常检测是机器学习和视觉场景理解中非常感兴趣的研究工作。最常见的是，异常检测被认为是基于某种正态性度量的给定数据分布内的离群值的检测。在现实世界的异常检测问题中最重要的挑战是，可用的数据是高度不平衡的正常（即非异常），并包含所有可能的异常样本的子集-因此限制了使用完善的监督学习方法。相比之下，我们引入了一个无监督的异常检测模型，仅在正常（非异常，丰富）样本上进行训练，以学习域的正态分布，从而根据与该模型的偏差检测异常。我们提出的方法采用了一个编码器-解码器的卷积神经网络与跳跃连接，以彻底捕捉高维图像空间中的正常数据分布的多尺度分布。此外，针对所选架构利用对抗性训练方案在高维图像空间和低维潜在向量空间编码中提供了优异的重建。在训练期间最小化图像和隐藏向量空间内的重建误差度量有助于模型根据需要学习正态分布。因此，在随后的测试和部署期间较高的重建度量指示偏离该正态分布，因此指示异常。在X射线安全筛查的背景下，对已建立的异常检测基准和具有挑战性的真实世界数据集进行的实验显示了这种方法的独特前景。
2019-01-25 cs.CV cs.LG
KKA: Improving Vision Anomaly Detection through Anomaly-related Knowledge from Large Language Models
School of Computer and Artificial Intelligence of Zhengzhou University（郑州大学计算机与人工智能学院）；National Supercomputing Center In Zhengzhou（郑州国家超级计算中心）；Zhejiang University（浙江大学）
针对无监督视觉异常检测中随机生成异常真实性低、对边界构建支撑有限的问题，提出KKA方法，从大语言模型提取异常知识生成有意义的异常，划分难易异常并逐步提升困难异常比例以优化检测边界，在低生成成本下显著提升多种检测器性能。
2025-02-14 cs.AI cs.CV
Explainable Deep Few-shot Anomaly Detection with Deviation Networks
University of Adelaide（阿德莱德大学）
现有的异常检测范式绝大多数都集中在使用完全正常的数据或未标记的数据（主要是正常样本）来训练检测模型。这些方法的一个臭名昭著的问题是，由于缺乏关于异常的知识，它们在区分异常与正常样本方面很弱。在这里，我们研究的问题，Few-Shot异常检测，我们的目标是使用一些标记的异常的例子，训练样本有效的判别检测模型。为了解决这个问题，我们引入了一个新的弱监督异常检测框架，训练检测模型，而不假设的例子说明所有可能的异常类。具体而言，所提出的方法学习判别正常（规律性），利用标记的异常和先验概率，以执行表达的表示正常和无界偏离表示异常。这是通过利用神经偏差学习对异常分数进行端到端优化来实现的，其中正常样本的异常分数被施加为近似从先前提取的标量分数，而异常示例的异常分数被强制为在上尾中与这些采样分数具有统计上显著的偏差。此外，我们的模型被优化为通过基于top-K多实例学习的特征子空间偏差学习来学习细粒度的正态性和异常性，从而允许更广义的表示。在9个真实图像异常检测基准上的综合实验表明，我们的模型具有更高的样本效率和鲁棒性，并且在闭集和开集设置中的表现明显优于最先进的竞争方法。我们的模型还可以提供解释能力，因为它的先验驱动的异常得分学习。代码和数据集可在https://git.io/DevNet上获得。
2021-08-01 cs.AI cs.CV cs.LG
Applying Surface Normal Information in Drivable Area and Road Anomaly Detection for Ground Mobile Robots
Hong Kong University of Science and Technology（香港科技大学）；University of California, San Diego（加利福尼亚大学圣迭戈分校）
可行驶区域和道路异常的联合检测是地面移动机器人的一项重要任务。近年来，许多令人印象深刻的语义分割网络，可用于像素级的可行驶区域和道路异常检测，已经开发出来。然而，检测精度仍然需要改进。因此，我们开发了一个新的模块命名为法线推理模块（NIM），它可以生成表面法线信息，从密集的深度图像具有高精度和效率。我们的NIM可以部署在现有的卷积神经网络（CNN）中，以改善分割性能。为了评估NIM的有效性和鲁棒性，我们将其嵌入到12个最先进的CNN中。实验结果表明，我们的NIM可以大大提高性能的可行驶区域和道路异常检测的CNN。此外，我们提出的NIM-RTFNet在KITTI道路基准测试中排名第8，并表现出实时推理速度。
2020-08-26 cs.CV cs.RO
Anomaly Factory 3D: A Modular Framework for Diverse Pseudo-Anomaly Synthesis in Unsupervised 3D Anomaly Detection
提出模块化框架AF3AD，通过局部PCA框架中的参数化变形模型合成多样化伪异常，增强无监督3D异常检测训练数据，在多个数据集上提升检测与定位性能。
2026-06-28 cs.AI cs.CV
