基于GAN的高光谱异常检测

无监督与监督高光谱异常检测研究

Investigation of unsupervised and supervised hyperspectral anomaly detection

Computer Science Department（计算机科学系）；Electrical and Computer Engineering Department（电气与计算机工程系）

本文针对高光谱异常检测中监督方法难以发现未知异常的问题，使用通用高光谱数据评估所提堆叠混合集成及多种监督、无监督方法，以获得新认识。

2025-07-21cs.LGeess.IV

基于自动编码器的高光谱异常变化检测

Hyperspectral Anomaly Change Detection Based on Auto-encoder

School of Computer Science, Wuhan University（武汉大学计算机学院）

随着高光谱成像技术的发展，高光谱数据提供了丰富的光谱信息，在地质调查、植被分析、军事侦察等方面发挥着越来越重要的作用。与正常变化检测不同，高光谱异常变化检测（HACD）有助于发现多时相高光谱图像（HSI）之间那些微小但重要的异常变化。在以往的工作中，大多数经典的方法使用线性回归建立两个HSI之间的映射关系，然后从残差图像中检测异常。然而，多时间HSIs之间的真实谱差异可能是相当复杂的和非线性的，导致这些线性预测器的性能有限。在本文中，我们提出了一个基于自动编码器（ACDA）的原始HACD算法，给出了一个非线性的解决方案。该算法能够在复杂成像条件下建立有效的预测模型。在ACDA模型中，部署了两个系统的自动编码器（AE）网络来从两个方向构建两个预测器。预测器用于对背景的光谱变化进行建模，以获得另一成像条件下的预测图像。然后计算预测图像和相应的期望图像之间的均方误差（MSE）以获得损失图，其中未改变像素的光谱差异被高度抑制并且异常变化被突出显示。最后，取两个方向损失图的最小值作为最终的异常变化强度图。在公开的“Viareggio 2013”数据集上的实验结果表明了该方法的有效性和优于传统方法的性能。

2020-10-27cs.CVeess.IV

高光谱异常检测的内禀概率分布研究

Exploring the Intrinsic Probability Distribution for Hyperspectral Anomaly Detection

Zhejiang University（浙江大学）；Hangzhou Dianzi University（杭州电子科技大学）

近年来，基于神经网络的异常检测方法因其较传统方法具有强大的重构能力而在高光谱遥感领域引起了相当大的关注。然而，隐藏在潜在空间中的实际概率分布统计数据不会通过利用重构误差来发现，因为异常的概率分布没有被明确地建模。为了解决这个问题，我们提出了一种新的概率分布表示检测器（PDRD），探讨了高光谱异常检测的原始数据中的背景和异常的内在分布。首先，我们表示的高光谱数据与多元高斯分布从概率的角度来看。然后，我们将局部统计数据与获得的分布相结合，以利用空间信息。最后，通过计算修正的Wasserstein距离来度量测试像素对应的分布与Chebyshev邻域内像素的平均期望值之间的差异，从而得到检测图。我们在四个真实数据集上进行了实验，以评估我们所提出的方法的性能。实验结果表明，我们提出的方法相比，国家的最先进的检测方法的准确性和效率。

2021-05-14cs.CVeess.IV

基于潜在编码器耦合的生成对抗网络（LE-GAN）的高光谱图像超分辨率算法

A Latent Encoder Coupled Generative Adversarial Network (LE-GAN) for Efficient Hyperspectral Image Super-resolution

Manchester Metropolitan University（曼彻斯特城市大学）；Brunel University（布鲁内尔大学）；Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院）；Hebei Agriculture University（河北农业大学）

真实感高光谱图像（HSI）超分辨率（SR）技术旨在从低分辨率（LR）图像中生成具有更高光谱和空间保真度的高分辨率（HR）HSI。生成对抗网络（GAN）已被证明是图像超分辨率的有效深度学习框架。然而，现有的基于GAN的模型的优化过程经常遭受模式崩溃的问题，导致频谱空间不变重建的能力有限。这可能导致所生成的HSI上的频谱空间失真，特别是在大的放大因子的情况下。为了缓解模式崩溃的问题，这项工作提出了一种新型的与潜在编码器耦合的GAN模型（LE-GAN），该模型可以将生成的谱空间特征从图像空间映射到潜在空间，并产生耦合分量来规则化生成的样本。从本质上讲，我们把HSI作为一个高维流形嵌入在一个潜在的空间。因此，GAN模型的优化被转换为学习高分辨率HSI样本在潜在空间中的分布的问题，使得生成的超分辨率HSI的分布更接近它们的原始高分辨率对应物的分布。我们已经进行了实验评估的模型性能的超分辨率和它的能力，在减轻模式崩溃。该方法已被测试和验证基于两个真实的HSI数据集与不同的传感器（即AVIRIS和UHD-185）的各种放大因子和增加的噪声水平，并与最先进的超分辨率模型（即HyCoNet，LTTR，BAGAN，SR- GAN，WGAN）进行比较。

2021-11-16cs.CVeess.IV

一种高光谱图像的光谱-空间融合异常检测方法

A spectral-spatial fusion anomaly detection method for hyperspectral imagery

Beijing Institute of Technology（北京理工大学）；Space star technology co., LTD（航天恒星科技有限公司）

在高光谱中，高质量的光谱信号传达了细微的光谱差异，以区分相似的材料，从而为异常检测提供了独特的优势。因此，可以有效地从异质背景像素中筛选出异常像素的精细光谱。由于相同的材料在空间和光谱维度上具有相似的特性，通过结合空间和光谱信息可以显著提高检测性能。提出了一种高光谱图像的光谱空间融合异常检测方法。首先，将原始光谱信号映射到由中值和均值组成的局部线性背景空间中，在此背景空间中采用显著性权重和特征增强策略，得到光谱域的初始检测图。此外，为了充分利用检测像素周围局部背景的相似性信息，设计了一种新的检测器，在空域中提取斑块图像的局部相似性空间特征。最后，通过自适应地结合光谱和空间检测图来检测异常。实验结果表明，我们提出的方法具有优越的检测性能比传统的方法。

2022-02-24cs.CVeess.IV

自适应DropBlock增强型生成对抗网络用于高光谱图像分类

Adaptive DropBlock Enhanced Generative Adversarial Networks for Hyperspectral Image Classification

Ocean University of China（中国海洋大学）；Mississippi State University（密西西比州立大学）

近年来，基于生成对抗网络（GAN）的高光谱图像（HSI）分类研究取得了很大进展。基于GAN的分类方法可以在一定程度上缓解训练样本有限的困境。然而，一些研究指出，现有的基于GAN的HSI分类方法受到不平衡训练数据问题的严重影响。GAN中的分类器总是自相矛盾，试图将虚假标签与少数类样本相关联，从而影响分类性能。另一个关键问题是基于GAN的方法中的模式坍塌。该生成器只能在狭窄的数据空间范围内生成样本，这严重阻碍了基于GAN的HSI分类方法的进步。在本文中，我们提出了一个自适应DropBlock增强的生成对抗网络（ADGAN）的HSI分类。首先，为了解决训练数据不平衡的问题，我们将训练器调整为一个单一的分类器，它不会自相矛盾。其次，提出了一种自适应DropBlock（AdapDrop）作为正则化方法，用于生成器和消隐器中，以减轻模式坍塌问题。AdapDrop生成具有自适应形状而不是固定大小的区域的拖放遮罩，并且它消除了DropBlock在处理具有各种形状的地面对象时的局限性。在三个HSI数据集上的实验结果表明，所提出的ADGAN比最先进的基于GAN的方法具有更好的性能。我们的代码可在https://github.com/summitgao/HC_ADGAN上获得

2022-01-22cs.CVeess.IV

反高光谱异常检测：针对未知检测器的隐身Lipschitz强迫扰动首次研究

Anti-Hyperspectral Anomaly Detection: A First Study on Stealthy Lipschitz-Forcing Perturbations Against Unknown Detectors

National Cheng Kung University（国立成功大学）；University of Iceland（冰岛大学）

首次提出反高光谱异常检测（AHAD）技术，通过Lipschitz强迫扰动使目标不被检测，无需检测器完美坐标/位置状态信息，可防御现有大多数数据驱动和模型驱动HAD方法。

2026-06-03eess.IV

用于高光谱异常检测的可证明收敛的即插即用近端点坐标下降法

Provably Convergent Plug-and-play Proximal Block Coordinate Descent Method for Hyperspectral Anomaly Detection

针对高光谱异常检测，提出融合低秩背景表示、隐式近端去噪先验与广义群稀疏的 PnP-PBCD 方法，并证明其收敛性，在含噪与无噪场景下均优于对比方法。

2025-07-24eess.IVmath.OC

基于生成对抗网络和条件随机场的高光谱图像分类

Generative Adversarial Networks and Conditional Random Fields for Hyperspectral Image Classification

University of Waterloo（滑铁卢大学）；Waterloo Artificial Intelligence Institute（滑铁卢人工智能研究所）；Xiamen University（厦门大学）

在本文中，我们使用基于生成对抗网络和条件随机场（GAN-CRF）的框架来解决高光谱图像（HSI）分类任务，该框架集成了半监督深度学习和概率图形模型，并做出了三个贡献。首先，我们设计了四种类型的卷积层和转置卷积层，这些卷积层考虑了HSI的特征，以帮助从有限数量的标记HSI样本中提取区分特征。其次，我们构建了半监督GANs，通过向它们添加标签来缓解训练样本的不足，并通过对抗训练隐式地重建真实的HSI数据分布。第三，我们在随机变量之上构建密集条件随机场（CRF），这些随机变量被初始化为训练GANs的softmax预测，并以HSI为条件来细化分类图。这种半监督框架通过博弈论方法利用了判别模型和生成模型的优点。此外，尽管我们使用了来自两个最具挑战性和广泛研究的数据集的非常少量的标记训练HSI样本，但实验结果表明，频谱空间GAN-CRF（SS-GAN-CRF）模型在半监督HSI分类中达到了最高的准确性。

2019-05-12cs.CVcs.LGeess.IV

物理驱动的生成对抗网络赋能单像素红外高光谱成像

Physics-driven generative adversarial networks empower single-pixel infrared hyperspectral imaging

Liaoning University（辽宁大学）；Beijing Institute of Technology（北京理工大学）

本文提出一种物理驱动的生成对抗网络，将单像素成像物理过程融入生成器并以一维桶信号为约束，以更少测量次数实现更高性能的红外高光谱成像。

2023-11-22cs.AIcs.IReess.IV

BiGSeT：用于基于 DNN 的高光谱异常检测的二值掩码引导分离训练

BiGSeT: Binary Mask-Guided Separation Training for DNN-based Hyperspectral Anomaly Detection

针对 DNN 高光谱异常检测中的恒等映射问题，提出 BiGSeT 二值掩码分离训练策略，利用 LoG 抑制异常并提升多种网络的检测性能。

2023-07-14eess.IV

基于包围盒和随机协同表示的高光谱图像异常检测器

Ensemble and Random Collaborative Representation-Based Anomaly Detector for Hyperspectral Imagery

School of Artificial Intelligence, Optics and Electronics (iOPEN), Northwestern Polytechnical University（西北工业大学光电与智能研究院）；School of Computer Science and School of Artificial Intelligence, Optics and Electronics (iOPEN), Northwestern Polytechnical University（西北工业大学计算机学院与光电与智能研究院）

近年来，高光谱异常检测（HAD）已成为一个活跃的研究课题，在军事和民用领域发挥着重要作用。基于协作表示的检测器（CRD）作为一种经典的HAD方法，引起了广泛的关注和深入的研究。尽管CRD方法具有良好的性能，但其主要由滑动双窗口策略引起的计算成本太高，无法广泛应用。此外，需要多次重复测试来确定双窗口的大小，一旦数据集发生变化，就需要重新设置，并且无法通过先验知识提前识别。为了缓解这个问题，我们提出了一种新的合奏和随机协作表示为基础的检测器（ERCRD）的HAD，它包括两个密切相关的阶段。首先，采用基于CRD的随机子采样（RCRD）方法代替滑动双窗策略，得到多个检测结果，大大降低了计算复杂度，使其在实际应用中更具可行性。其次，集成学习是用来完善多个结果的RCRD，作为各种“专家”提供丰富的互补信息，以更好地针对不同的异常。这两个阶段构成了一个有机的理论检测器，不仅可以提高HAD方法的精度和稳定性，而且可以增强其泛化能力。四个真实的高光谱数据集上的实验表明，该方法的准确性和效率相比，10个国家的最先进的HAD方法。

2021-12-22cs.CVeess.IV

基于低秩稀疏表示的高光谱图像去噪与异常检测

Hyperspectral Image Denoising and Anomaly Detection Based on Low-rank and Sparse Representations

Hong Kong Baptist University（香港浸会大学）；Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院）；University of Chinese Academy of Sciences（中国科学院大学）；Shenzhen University（深圳大学）；Instituto de Telecomunicações（电信研究院）；Instituto Superior Técnico（里斯本高等技术学院）；Universidade de Lisboa（里斯本大学）

高光谱成像以非常高的分辨率在数百或数千个光谱通道中测量瞬时视场中的电磁能量的量。这使得物体能够被检测到并识别它们之间具有细微差异的材料。然而，光谱分辨率的提高通常意味着每个通道中接收到的光子数量减少，这意味着与成像过程相关的噪声更大。这种退化限制了提取信息的质量及其潜在应用。因此，去噪是高光谱图像处理中的一个基本问题。作为具有高度相关的光谱通道的自然场景的图像，HSI的特征在于高水平的自相似性，并且可以通过低秩表示来很好地近似。这些特征是HSI去噪中使用的最先进方法的基础。然而，在很少出现像素类型的情况下，这些方法的去噪性能不是最佳的，并且这些像素的后续检测可能会受到损害。为了解决这些障碍，在本文中，我们介绍了RhyDe（鲁棒高光谱降噪），一个强大的HSI降噪器，它实现了显式的低秩表示，促进自相似性，并通过使用一种形式的协作稀疏性，保留罕见的像素。使用半真实和真实数据说明了所提出的鲁棒HSI去噪器的去噪和检测有效性。

2021-03-12cs.CVeess.IV

ERX：一种用于高光谱线扫描的快速实时异常检测算法

ERX: A Fast Real-Time Anomaly Detection Algorithm for Hyperspectral Line Scanning

School of Aerospace, Mechanical, and Mechatronic Engineering, The University of Sydney（悉尼大学航空航天、机械与机电工程学院）；School of Environmental and Rural Science, The University of New England（新英格兰大学环境与农村科学学院）；Defence Science and Technology Group（国防科学技术集团）；Australian Research Council (ARC) Training Centre for CubeSats, UAVs & Their Applications (CUAVA)（澳大利亚研究委员会立方体卫星、无人机及其应用培训中心）

本文提出了指数移动RX算法（ERX），解决了高光谱线扫描在小型设备上实时异常检测的速度慢、适应性差和鲁棒性不足问题，在速度和检测性能上均优于现有方法。

2024-12-23cs.CVeess.IV

渐进式GANomaly：使用渐进式增长的GANs进行异常检测

Progressive GANomaly: Anomaly detection with progressively growing GANs

Image Sciences Institute（图像科学研究所）；UMC Utrecht（乌得勒支大学医学中心）

在医学成像中，获得大量的标记数据通常是一个障碍，因为注释和病理是稀缺的。异常检测是一种方法，它能够检测看不见的异常数据，同时只在正常（未注释）数据上进行训练。基于生成对抗网络（GANs）的几种算法可以执行此任务，但由于GANs的不稳定性，存在某些限制。本文提出了一种新的方法，结合现有的方法，GANomaly，逐步增长的GANs。考虑到其生成高分辨率图像的能力，后者已知更稳定。使用Fashion MNIST、医学分销外分析挑战（MOOD）和内部脑MRI（使用尺寸为16x16和32x32的贴片）对该方法进行了测试。渐进式GANomaly在Fashion MNIST上的表现优于单类SVM或常规GANomaly。在MOOD图像中创建具有不同强度和直径的人工异常。渐进式GANomaly检测到的异常最多，强度和大小各不相同。此外，间歇性重建被证明是更好的渐进GANomaly。在内部大脑MRI数据集上，常规GANomaly优于其他方法。

2022-06-08cs.CVeess.IV

克服自监督高光谱异常检测中的恒等映射问题

Overcoming the Identity Mapping Problem in Self-Supervised Hyperspectral Anomaly Detection

Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院）；School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences（中国科学院大学电子电气与通信工程学院）；School of Geography and Information Engineering, China University of Geosciences (Wuhan)（中国地质大学（武汉）地理与信息工程学院）；School of Computer Science, China University of Geosciences (Wuhan)（中国地质大学（武汉）计算机学院）；College of Information, Beijing Forestry University（北京林业大学信息学院）

本文深入探索自监督高光谱异常检测中的恒等映射问题，从扰动、重建和正则化三方面提出统一框架，并引入超像素池化与上池化、误差自适应卷积和在线背景像素挖掘三种解决方案，经实验验证有效。

2025-04-05cs.CVeess.IV

CL-CaGAN：用于跨域高光谱异常检测的胶囊差分对抗持续学习

CL-CaGAN: Capsule differential adversarial continuous learning for cross-domain hyperspectral anomaly detection

Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education of China（教育部智能感知与图像理解重点实验室）；School of Computer Science and Technology（计算机科学与技术学院）；Xidian University（西安电子科技大学）；School of Artificial Intelligence（人工智能学院）；Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education（教育部智能感知与图像理解重点实验室）；School of Electronic Engineering（电子工程学院）

针对跨域高光谱异常检测中先验不足与灾难性遗忘问题，提出CL-CaGAN，通过胶囊对抗背景建模、聚类重放、自蒸馏正则化和可微增强提升检测与持续学习性能。

2025-05-17cs.AIcs.CVeess.IV

使用GANs的数字病理学中的无监督异常检测

Unsupervised anomaly detection in digital pathology using GANs

Linköping University（林雪平大学）；Sectra AB（Sectra AB公司）

机器学习（ML）算法针对训练数据所表示的分布进行优化。对于离群数据，它们通常以相同的置信度提供预测，即使这些预测不应该被信任。为了在临床实践中部署基于ML的数字病理学解决方案，用于检测异常数据的有效方法对于避免异常情况下的错误决策至关重要。提出了一种基于生成对抗网络（GANs）的组织病理学数据异常检测的无监督学习方法。与医学成像中使用的现有基于GAN的方法相比，所提出的方法显着提高了病理数据的性能。我们的研究结果表明，组织病理学图像比以前的方法所针对的数据要复杂得多。这种复杂性不仅需要更先进的GAN架构，还需要适当的异常度量来捕获重建图像的质量。

2021-03-16cs.CVcs.LGeess.IV

用于不平衡高光谱图像分类的多假样本进化生成对抗网络

Multi-Fake Evolutionary Generative Adversarial Networks for Imbalance Hyperspectral Image Classification

School of Engineering and Information Technology, University of New South Wales Canberra（新南威尔士大学堪培拉校区工程与信息技术学院）；Economics Department, Indian Institute of Technology Kharagpur（印度理工学院克勒格布尔分校经济学系）

本文提出多假样本进化生成对抗网络MFEGAN，通过多种生成损失提升判别器分类能力，在不平衡高光谱图像分类中优于现有方法。

2023-03-20cs.CVeess.IV

Sparse-GAN：稀疏约束生成对抗网络在视网膜OCT图像异常检测中的应用

Sparse-GAN: Sparsity-constrained Generative Adversarial Network for Anomaly Detection in Retinal OCT Image

ShanghaiTech University（上海科技大学）；Cixi Institute of Biomedical Engineering, Chinese Academy of Sciences（中国科学院慈溪生物医学工程研究所）；UBTech Research（优必选研究院）；Southern University of Science and Technology（南方科技大学）；Inception Institute of Artificial Intelligence（起源人工智能研究院）

随着卷积神经网络的发展，深度学习已经显示出其在从光学相干断层扫描（OCT）图像检测视网膜疾病方面的成功。然而，深度学习通常依赖于大规模标记数据进行训练，这通常具有挑战性，特别是对于低发生率的疾病。此外，从具有一种或几种疾病的数据集训练的深度学习系统无法检测其他看不见的疾病，这限制了系统在疾病筛查中的实际使用。为了解决这个问题，我们提出了一种新的异常检测框架，称为稀疏约束生成对抗网络（Sparse-GAN）的疾病筛查，只有健康的数据在训练集中可用。Sparse-GAN的贡献有两个方面：1）所提出的Sparse-GAN预测潜在空间而不是图像级的异常; 2）Sparse-GAN受到一种新的稀疏正则化网络的约束。此外，鉴于病变在疾病筛查中的作用，我们提出利用异常激活图来显示病变的热图。我们在一个公开的数据集上评估了我们提出的稀疏GAN，结果表明，所提出的方法优于最先进的方法。

2020-02-03cs.CVeess.IVphysics.optics

基于类条件生成对抗网络的对抗样本异常检测

Anomaly Detection of Adversarial Examples using Class-conditional Generative Adversarial Networks

Pennsylvania State University（宾夕法尼亚州立大学）

深度神经网络（DNN）已被证明容易受到测试时规避攻击（TTE或对抗性示例）的影响，这些攻击通过对输入进行微小的更改，改变DNN的决策。我们提出了一种基于类条件生成对抗网络（GANs）的DNN分类器的无监督攻击检测器。我们通过辅助分类器GAN（AC-GAN）对预测类标签条件下的干净数据的分布进行建模。给定测试样本及其预测类，基于AC-GAN生成器和鉴别器计算三个检测统计量。在各种TTE攻击下的图像分类数据集上的实验表明，该方法优于以往的检测方法。我们还研究了使用不同DNN层（输入特征或内部层特征）进行异常检测的有效性，并证明，正如人们所料，使用更接近DNN输出层的特征更难检测到异常。

2022-05-12cs.LGeess.IV

低秩表示遇上深度展开：一种用于高光谱异常检测的广义可解释网络

Low-Rank Representations Meets Deep Unfolding: A Generalized and Interpretable Network for Hyperspectral Anomaly Detection

Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院）；School of Mathematics and Statistics, Southeast University（东南大学数学学院与统计学院）；College of Resources and Environment, University of Chinese Academy of Sciences（中国科学院大学资源与环境学院）；Univ. Grenoble Alpes, Inria, CNRS, Grenoble INP, LJK（格勒诺布尔阿尔卑斯大学、法国国家信息与自动化研究所、法国国家科学研究中心、格勒诺布尔理工学院、约瑟夫·傅里叶大学联合实验室）

本文针对现有HAD基准数据集的不足，构建AIR-HAD数据集，并提出基于可学习字典LRR模型深度展开的LRR-Net$^+$网络，通过结合ADMM优化与深度网络实现可解释、自动化的高光谱异常检测，在实验中展现出优越的检测性能和泛化能力。

2024-02-23cs.CVcs.LGeess.IV

扩散模型在高光谱图像分析中的应用：综述

Diffusion Models for Hyperspectral Image Analysis: A Comprehensive Review

School of Optical-Electrical and Computer Engineering, University of Shanghai for Science and Technology（上海理工大学光学电子与计算机工程学院）；School of Electronics and Electrical Engineering, Shanghai University of Engineering Science（上海工程技术大学电子与电气工程学院）；Medical Artificial Intelligence Lab, The First Hospital of Hebei Medical University, Hebei Medical University（河北医科大学第一医院医学人工智能实验室）；Hangzhou Institute of Technology, xidian University（杭州职业技术学院）

本文系统综述了扩散模型（包括去噪扩散概率模型和基于随机微分方程的生成框架）在高光谱图像处理中的最新进展，分类现有方法，强调其处理高维数据的优势，并与传统方法比较性能，特别关注变化检测和灾后异常识别等关键应用，同时讨论计算成本和训练稳定性等局限，并展望未来研究方向。

2026-06-01cs.CVeess.IV

基于同步编码器训练的污染图像异常检测的无监督学习

Unsupervised Learning of Anomaly Detection from Contaminated Image Data using Simultaneous Encoder Training

Termisk Systemteknik AB（Termisk Systemteknik公司）；Linköping University（林雪平大学）

无监督学习在高维数据（如图像）中的异常检测是一个具有挑战性的问题，近年来受到热烈的研究。通过对正常样本的数据分布进行仔细建模，可以检测出异常样本，即所谓的异常。生成对抗网络（GANs）可以对正常图像样本的高度复杂的高维数据分布进行建模，并且已被证明是解决该问题的合适方法。之前发布的基于GAN的异常检测方法通常假设无异常数据可用于训练。然而，这种假设在大多数现实生活场景中是无效的，也就是说，在野外在这项工作中，我们评估了训练数据中的异常污染对最先进的基于GAN的异常检测方法的影响。正如预期的那样，检测性能恶化。为了解决这种性能下降，我们建议在训练时添加一个额外的编码器网络，并表明联合生成器-编码器训练对潜在空间进行分层，从而缓解数据污染的问题。我们的实验表明，在这个分层的潜在空间的查询图像的规范成为一个非常重要的线索，从正常的数据区分异常。所提出的方法在CIFAR-10以及具有细胞图像的大型先前未测试的数据集上实现了最先进的性能。

2019-11-20cs.CVeess.IV

三维GANs在肺CT肺组织建模中的应用

Evaluation of 3D GANs for Lung Tissue Modelling in Pulmonary CT

GANs能够准确地对复杂的高维数据集（例如图像）的分布进行建模。这使得高质量的GANs可用于医学成像中的无监督异常检测。然而，训练数据集的差异，例如输出图像维度和语义上有意义的特征的出现，意味着来自自然图像域的GAN模型可能无法“开箱即用”地用于医学成像，需要重新实现和重新评估。在这项工作中，我们适应和评估三个GAN模型的任务建模三维健康图像补丁肺CT。据我们所知，这是第一次进行这种评价。DCGAN、styleGAN和bigGAN架构由于其在自然图像处理中的普遍性和高性能而被研究。我们训练这些方法的不同变体，并使用FID评分评估其性能。此外，生成的图像的质量进行了评估，通过人类观察者的研究，网络的能力，以模拟三维特定领域的功能进行了研究，并分析了GAN潜在空间的结构。结果表明，3D styleGAN产生具有有意义的3D结构的逼真图像，但遭受模式崩溃，必须在训练期间解决以获得样本多样性。相反，3D DCGAN模型显示出更大的图像可变性能力，但以低质量图像为代价。3D bigGAN模型提供了中等水平的图像质量，但最准确地模拟了选定的语义上有意义的特征的分布。结果表明，未来的发展是需要实现一个三维GAN与足够的能力，基于补丁的肺部CT异常检测，我们提供了建议，为未来的研究领域，如实验与其他架构和位置编码的结合。

2022-08-17eess.IV

潜在异常检测：用于医学CBCT无监督分割的掩码VQ-GAN

Latent Anomaly Detection: Masked VQ-GAN for Unsupervised Segmentation in Medical CBCT

Department of Mechanical Engineering College of Design and Engineering National University of Singapore（机械工程系设计与工程学院新加坡国立大学）

针对颌骨放射性骨坏死影像标记数据稀缺、有监督分割难以开展的问题，提出基于掩码VQ-GAN的两阶段无监督异常检测方法，在模拟与真实数据上均实现有效分割，可减轻标注负担并有望支撑3D打印敷料制备。

2025-06-17cs.AIcs.CVeess.IV

高效的非线性RX异常检测器

Efficient Nonlinear RX Anomaly Detectors

当前的异常检测算法通常受到准确性或效率的挑战。更精确的非线性检测器通常速度慢且不可扩展。在这封信中，我们提出了两个家庭的技术，以提高效率的标准核Reed-Xiaoli（RX）的方法进行异常检测，通过近似核函数与{ \em数据无关}随机傅立叶特征或{ \em数据相关}的基础与Nyström方法。我们比较所有的方法，真正的多光谱和高光谱图像。我们表明，所提出的高效方法具有较低的计算成本，由于其隐式正则化效应，它们的性能与标准内核RX算法相似（或优于标准内核RX算法）。最后但并非最不重要的是，Nyström方法具有改进的检测能力。

2020-12-07cs.CVcs.LGeess.IV

基于块GAN判别器的异常特征图可视化单类钢材检测器

One-class Steel Detector Using Patch GAN Discriminator for Visualising Anomalous Feature Map

Yachiyo Engineering Co., Ltd.（八千代工程股份有限公司）

对于室内工厂的钢材生产，钢材缺陷检测是质量控制的重要环节。例如，钢板非常脆弱，必须精确检查。然而，为了在恶劣的室外环境中维护基础设施的涂漆钢部件，腐蚀检测对于预测性维护至关重要。在本文中，我们提出了一个用于钢铁异常检测的通用应用程序，该应用程序由以下四个组件组成。第一个是学习器，是一个单元图像分类网络，用于在将原始大尺寸图像划分为256个正方形单元图像之后确定感兴趣区域或背景是否已被识别。第二个是提取器，它是一个基于预先训练的钢铁生成器的特征编码器，带有补丁生成对抗网络（GAN）。第三，异常检测器，是一个单类支持向量机（SVM）预测的异常分数使用的特征。第四个指标是一个异常概率图，用于直观地解释异常特征。此外，我们通过使用高速摄像机检查钢板缺陷的13，774个单位图像，以及基于照片的肉眼检查的19，766个单位图像的涂漆钢腐蚀来证明我们的方法。最后，我们使用带钢和涂漆钢检测数据集可视化钢的异常特征图

2021-06-30cs.CVeess.IV

MADGAN：使用多个相邻脑MRI切片重建的无监督医学异常检测GAN

MADGAN: unsupervised Medical Anomaly Detection GAN using multiple adjacent brain MRI slice reconstruction

LPIXEL Inc.（LPIXEL公司）；University of Cambridge（剑桥大学）；National Institute of Informatics（国立信息学研究所）；National Center for Global Health and Medicine（国立国际医疗研究中心）；Juntendo University（顺天堂大学）；ELTE Eötvös Loránd University（厄特沃什·罗兰大学）；The University of Tokyo（东京大学）

无监督学习可以依靠健康受试者的大规模无注释医学图像发现各种看不见的异常。为此，无监督方法重建2D/3D单个医学图像，以检测学习的特征空间中的异常值或来自高重建损失的异常值。然而，在不考虑多个相邻切片之间的连续性的情况下，它们不能直接区分由细微解剖异常的积累组成的疾病，例如阿尔茨海默病（AD）。此外，没有研究表明无监督的异常检测如何与疾病阶段、各种（即，超过两种类型的）疾病，或多序列磁共振成像（MRI）扫描。因此，我们提出了无监督医学异常检测生成对抗网络（MADGAN），这是一种新的两步法，使用基于GAN的多个相邻脑MRI切片重建来检测多序列结构MRI上不同阶段的脑异常：（重建）Wasserstein损失与梯度惩罚+ 100 L1损失-在3个健康脑轴向MRI切片上训练以重建下3个切片-重建看不见的健康/异常扫描;（诊断）每次扫描的平均L2丢失可以区分它们，比较地面真实/重建切片。为了进行训练，我们使用了两个不同的数据集，分别由1，133个健康的T1加权（T1）和135个健康的对比增强T1（T1 c）脑MRI扫描组成，用于检测AD和脑转移/各种疾病。我们的Self-Attention MADGAN可以在非常早期的T1扫描中检测出AD，轻度认知障碍（MCI），曲线下面积（AUC）为0.727，晚期AD为AUC 0.894，同时在T1 c扫描中检测出脑转移，AUC为0.921。

2020-10-12cs.CVcs.LGeess.IV

一类潜正则网络的异常检测

Anomaly Detection by One Class Latent Regularized Networks

East China Normal University（华东师范大学）；Shanghai Jiao Tong University（上海交通大学）

异常检测是计算机视觉领域的一个基本问题，具有广泛的应用前景。给定属于正常类的广泛的图像，从一些分布中出现，该任务的目标是构建模型来检测属于异常实例的分布外图像。基于半监督生成对抗网络（GAN）的方法近年来在异常检测任务中越来越受欢迎。但是，GAN的训练过程仍然不稳定，具有挑战性。为了解决这些问题，提出了一种新的对抗性双自编码器网络，该网络不仅可以在潜在特征空间中捕获训练数据的底层结构，还可以在潜在表示空间中以判别的方式进一步限制，从而导致更准确的检测器。此外，辅助自编码器作为一个训练器，可以获得一个更稳定的训练过程。实验结果表明，该模型在MNIST和CIFAR10数据集以及GTSRB停车标志数据集上取得了最好的结果。

2020-07-14cs.CVeess.IV

基于图拉普拉斯算子的图像异常检测

Graph Laplacian for Image Anomaly Detection

Aalto University, School of Electrical Engineering（阿尔托大学电气工程学院）；University of Turin, Department of Computer Science（都灵大学计算机科学系）

Reed-Xiaoli检测器（RXD）被认为是图像异常检测的基准算法;然而，它存在已知的局限性，即对遵循多变量高斯模型的图像的依赖性，高维协方差矩阵的估计和求逆，以及无法有效地将空间感知包括在其评估中。在这项工作中，提出了一种新的基于图的图像异常检测问题的解决方案，利用图傅里叶变换，我们能够克服一些RXD的局限性，同时降低计算成本。使用合成异常和真实异常对高光谱图像和医学图像进行测试，证明所提出的技术能够获得比现有技术中其他算法的性能显著的增益。

2020-02-10cs.CVeess.IVeess.SP

基于GAN、由T1脑MRI生成的合成FDG PET图像可用于提升深度无监督异常检测模型的性能

GAN-based synthetic FDG PET images from T1 brain MRI can serve to improve performance of deep unsupervised anomaly detection models

INSA Lyon, Université Claude Bernard Lyon 1, CNRS, Inserm, CREATIS UMR 5220, U1294（INSA里昂、 Claude Bernard Lyon 1 大学、 CNRS、 Inserm、 CREATIS UMR 5220、 U1294）；Lyon Neuroscience Research Center, INSERM U1028, CNRS UMR5292, Univ Lyon 1（里昂神经科学研究中心、 INSERM U1028、 CNRS UMR5292、 Lyon 1 大学）

本文比较多种由T1 MRI生成合成FDG PET的框架，证明GAN生成图像可有效训练无监督癫痫异常检测模型，最佳灵敏度达74%。

2025-05-12cs.AIeess.IV

通过非线性解混窥视像素 -- 一种生成方法

Looking into a Pixel by Nonlinear Unmixing -- A Generative Approach

University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校）

本文提出一种基于生成模型的非线性解混方法，利用双向GAN框架结合循环一致性和线性非线性混合关系，无需显式混合模型即可实现高光谱图像解混，实验表明其在不同数据集上表现稳定且具有竞争力。

2026-04-01cs.AIcs.CVeess.IV

学习用于遥感影像的跨模态异常检测器

Learning a Cross-modality Anomaly Detector for Remote Sensing Imagery

Wuhan University（武汉大学）

该研究将遥感异常检测的学习目标从变化背景分布转为一致偏差度量，提出像素级与特征级大间隔损失及异常模拟策略，实现五种遥感模态的零样本跨模态异常检测。

2024-09-10cs.CVcs.LGeess.IV

胎儿畸形筛查中学习正常外观：应用于左心发育不良综合征的无监督检测

Learning normal appearance for fetal anomaly screening: Application to the unsupervised detection of Hypoplastic Left Heart Syndrome

Imperial College London（帝国理工学院）

先天性心脏病被认为是影响$1000$新生儿$6-11$的最常见的先天性畸形之一。在这项工作中，提出了一个自动化的框架，超声筛查过程中的心脏异常检测和评价的例子，发育不良性左心综合征（HLHS），先天性心脏病的一个子类。我们提出了一种无监督的方法，专门从临床确认的正常对照患者中学习健康的解剖结构。我们评估了一些已知的异常检测框架连同模型架构的基础上的$α$ -GAN网络，并发现证据表明，所提出的模型执行显着优于国家的最先进的基于图像的异常检测，产生平均$0.81$ AUC \emph{and}一个更好的鲁棒性对初始化相比，以前的作品。

2021-09-09cs.CVeess.IV

通过基于自动配准的非配对到伪配对训练数据转换增强生成网络用于胸部异常定位

Enhancing Generative Networks for Chest Anomaly Localization through Automatic Registration-Based Unpaired-to-Pseudo-Paired Training Data Translation

Samsung Medical Center（三星医疗中心）；Sungkyunkwan University School of Medicine（成均馆大学医学院）；SAIHST, Sungkyunkwan University（成均馆大学SAIHST）

针对非配对胸部X线数据导致异常定位不稳定的问题，提出结合深度学习配准与左右肺交换增强的两阶段GAN-IT框架，将非配对数据转为伪配对数据并在多模型上稳定提升AL-CXR性能。

2024-06-16cs.CVcs.LGeess.IV

一种基于自编码器与生成对抗网络的深度学习方法用于古代石碑表面异常检测

A Deep-Learning Method Using Auto-encoder and Generative Adversarial Network for Anomaly Detection on Ancient Stone Stele Surfaces

Northwest University（西北大学）；KTH Royal Institute of Technology（KTH皇家理工学院）

本文提出一种基于自编码器与生成对抗网络的无监督深度学习方法，用于实时检测古代石碑表面异常，在龙门石窟案例中重建精度达99.74%，可检测七种人工异常且无误报。

2023-08-08cs.CVcs.LGeess.IV

无监督3D脑异常检测

Unsupervised 3D Brain Anomaly Detection

University of Girona（赫罗纳大学）；Technical University of Munich（慕尼黑工业大学）；Antwerp University Hospital（安特卫普大学医院）；University of Antwerp（安特卫普大学）；KU Leuven（鲁汶大学）

异常检测（AD）是识别不符合学习数据分布的数据样本。因此，AD系统可以帮助医生确定病理的存在、严重程度和范围。可以利用生成对抗网络（GANs）等深度生成模型来捕获解剖变异性。因此，任何离群值（即，落在学习分布之外的样本）可以以无监督的方式被检测为异常。通过使用这种方法，我们不仅可以检测预期或已知的病变，而且我们甚至可以揭示以前未被识别的生物标志物。据我们所知，这项研究证实了第一个AD方法，可以有效地处理体积数据，并在一个单一的模型中检测3D大脑异常。我们的建议是通过将最先进的3D GAN与细化训练步骤相结合而获得的2D f-Ano GAN模型的体积和高细节扩展。在使用来自创伤性脑损伤（TBI）患者的非对比度计算机断层扫描图像的实验中，该模型检测并定位TBI异常，ROC曲线下面积约为75%。此外，我们测试了该方法检测其他异常的潜力，如低质量图像，预处理不准确，伪影，甚至存在术后体征（如颅骨切除术或脑分流）。该方法具有快速标记大规模成像数据集中的异常以及识别新生物标志物的潜力。

2021-04-09cs.CVeess.IV

基于假设剪枝生成对抗网络的颗粒物传感器异常检测

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。

2020-02-14cs.CVcs.LGeess.IV

使用生成对抗网络检测图像异常

Detecting Anomalies using Generative Adversarial Networks on Images

Birla Institute of Technology and Science, Pilani（皮拉尼比特拉技术与科学学院）；Durham University（杜伦大学）；Central Electronics & Engineering Research Institute（中央电子与工程研究所）

自动检测行李安全中的武器或威胁物体等异常，或检测工业生产中的受损物品，是一项重要的计算机视觉任务，需要高效率和高精度。异常检测任务中的大多数可用数据是不平衡的，因为阳性/异常实例的数量是稀疏的。数据的可用性不足使得训练用于异常检测的深度神经网络架构具有挑战性。提出了一种新的基于生成对抗网络（GAN）的异常检测模型。它使用正常（非异常）图像来了解正常性，基于此它检测输入图像是否包含异常/威胁对象。所提出的模型使用具有编码器-解码器网络的生成器，该编码器-解码器网络具有密集的卷积跳过连接以用于增强重建并捕获数据分布。使用自我注意增强的神经网络，其具有即使在远距离部分中也检查详细特征的一致性的能力。我们使用频谱归一化来促进GAN的稳定和改进的训练。在CIFAR-10、MVTec AD（用于工业应用）和SIXray（用于X射线行李安全）三个数据集上进行了实验。在MVTec AD和SIXray数据集上，我们的模型分别实现了高达21%和4.6%的改进

2022-11-24cs.CVeess.IV

使用去噪扩散模型在CT图像中将胰腺肿瘤分割作为异常检测

Pancreatic Tumor Segmentation as Anomaly Detection in CT Images Using Denoising Diffusion Models

School of Electrical and Computer Engineering, University of Oklahoma（俄克拉荷马大学电气与计算机工程学院）；University of Oklahoma Health Sciences Center（俄克拉荷马大学健康科学中心）；School of Computer Science, University of Oklahoma（俄克拉荷马大学计算机科学学院）

针对胰腺肿瘤早期检测的挑战，提出一种基于去噪扩散模型的弱监督异常检测方法，通过添加和去除噪声的迭代过程及分类器引导生成异常图，无需复杂训练和分割掩码，为医学图像分割提供了新方案。

2024-06-04cs.AIcs.CVcs.LG

IgCONDA-PET：采用隐式引导注意力条件反事实扩散建模的弱监督PET异常检测——一项多中心、多癌症、多示踪剂研究

IgCONDA-PET: Weakly-Supervised PET Anomaly Detection using Implicitly-Guided Attention-Conditional Counterfactual Diffusion Modeling -- a Multi-Center, Multi-Cancer, and Multi-Tracer Study

organization= Department of Physics \& Astronomy, University of British Columbia , city= Vancouver , state= BC , country= Canada；organization= Department of Integrative Oncology, BC Cancer Research Institute , city= Vancouver , state= BC , country= Canada；organization= Department of Radiology, University of British Columbia , city= Vancouver , state= BC , country= Canada

针对PET异常检测中像素级标注成本高的问题，提出弱监督IgCONDA-PET模型，通过注意力条件隐式引导扩散实现反事实健康图像生成以检测异常，在多中心多癌症多示踪剂的2652例数据上验证了性能优势。

2025-06-24cs.CVcs.LGeess.IV

用于图像异常检测的有监督和无监督深度学习方法的比较

A Comparison of Supervised and Unsupervised Deep Learning Methods for Anomaly Detection in Images

CentraleSupélec（巴黎中央理工-高等电力学院）

图像中的异常检测对于所有行业的许多应用都起着重要作用，例如医疗保健中的疾病诊断或制造业中的质量保证。当在单调重复的时间段上延长时，对图像的手动检查是非常耗时的，并且可能导致异常被忽略。人工神经网络已经证明自己在简单重复的任务上非常成功，在某些情况下甚至优于人类。因此，在本文中，我们研究了不同的深度学习方法，包括监督和无监督学习，用于应用于质量保证用例的异常检测。我们利用MVTec异常数据集，并开发了三种不同的模型，一个CNN的监督异常检测，KD-CAE的自动编码器异常检测，NI-CAE的噪声引起的异常检测和DCGAN生成重建图像。通过实验，我们发现KD-CAE在异常数据集上的表现优于CNN和NI-CAE，其中NI-CAE在晶体管数据集上的表现最好。我们还实现了一个DCGAN来创建新的训练数据，但由于计算限制和缺乏对Ano GAN机制的外推，我们将自己限制为仅生成基于GAN的图像。我们的结论是，无监督方法对于图像中的异常检测更强大，特别是在只有少量异常数据可用或数据未标记的环境中。

2021-07-20cs.CVcs.LGeess.IV

一次性GAN生成的假人脸检测

One-Shot GAN Generated Fake Face Detection

University of Houston（休斯顿大学）

虚假人脸检测是智能系统面临的一个重大挑战，因为生成模型每天都变得越来越强大。随着虚假人脸质量的提高，训练模型在检测新的虚假人脸时变得越来越低效，因为相应的训练数据被认为是过时的。在这种情况下，鲁棒的One-Shot学习方法更符合多变的训练数据的要求。在本文中，我们提出了一种通用的One-Shot GAN生成的假人脸检测方法，可以用于异常检测的显着不同的领域。该方法基于场景理解模型从人脸中提取背景外对象。为此，我们使用最先进的场景理解和目标检测方法作为预处理工具来检测面部中的怪异物体。第二，我们根据所有训练数据创建一个单词包，其中包含所有检测到的上下文外对象。通过这种方式，我们将每个图像转换为稀疏向量，其中每个特征表示与图像中每个检测到的对象相关的置信度得分。我们的实验表明，我们可以区分假面孔从真正的上下文特征。这意味着，当我们用场景理解和目标检测模型对假人脸进行分析时，与真实人脸相比，在假人脸中检测到不同的目标集合。我们证明，该方法可以优于以前的方法基于我们的实验上的Style-GAN生成的假脸。

2020-03-27cs.CVcs.LGeess.IV