Benchmarking Unsupervised Anomaly Detection and Localization
University of Chinese Academy of Sciences（中国科学院大学）；SenseTime Research（商汤科技研究院）；Tsinghua University（清华大学）
无监督异常检测与定位作为计算机视觉中最具实用性和挑战性的问题之一，近年来受到了广泛的关注。从MVTec AD数据集提出到现在，不断提出的新研究方法将其精度推向饱和。现在是时候对现有的方法进行全面的比较，以启发进一步的研究。本文广泛比较了13篇论文在无监督异常检测和定位任务方面的性能，并增加了以前被社区忽视的推理效率的比较。同时，对MVTec AD数据集进行了分析，特别是影响模型的标签歧义未能达到满分。此外，考虑到新的MVTec 3D-AD数据集的建议，本文还使用现有的最先进的2D方法在这个新的数据集上进行了实验，并报告了相应的结果与分析。
2022-05-30 cs.CV
The MVTec 3D-AD Dataset for Unsupervised 3D Anomaly Detection and Localization
MVTec Software GmbH（MVTec软件有限公司）；Technical University of Munich（慕尼黑工业大学）；Karsruhe Institute of Technology（卡尔斯鲁厄理工学院）
我们介绍了第一个全面的3D数据集，用于无监督异常检测和定位任务。它的灵感来自真实世界的视觉检测场景，其中模型必须检测制造产品上的各种类型的缺陷，即使它只在无异常数据上训练。在物体的几何结构中，有一些缺陷表现为异常。这些导致数据的3D表示中的显著偏差。我们采用了高分辨率的工业3D传感器来获取10种不同对象类别的深度扫描。对于所有对象类别，我们都提供了一个训练和验证集，每个训练和验证集仅由无异常样本的扫描组成。相应的测试集包含显示各种缺陷的样本，如划痕、凹痕、孔洞、污染或变形。为每个异常测试样本提供精确的地面实况注释。我们的数据集上的3D异常检测方法的初始基准表明有相当大的改进空间。
2021-12-16 cs.CV
SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection
University of Sydney（悉尼大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
射线照相成像协议集中在特定的身体区域，因此产生非常相似的图像，并产生患者之间的复发解剖结构。为了利用这种结构化的信息，我们提出了使用空间感知的内存嵌入式绘画和检测异常的射线照相图像（简称SQUID）。我们表明，SQUID可以将根深蒂固的解剖结构分类为经常性的模式;在推理中，它可以识别图像中的异常（看不见的/修改的模式）。SQUID在无监督异常检测方面超过了13种最先进的方法，通过曲线下面积（AUC）测量的两个胸部X射线基准数据集上的至少5个点。此外，我们还创建了一个新的数据集（DigitAnatomy），它综合了胸部解剖结构中的空间相关性和一致形状。我们希望DigitAnatomy能够促进异常检测方法的开发，评估和可解释性。
2023-03-24 cs.CV
Enhancing Data Diversity for Self-training Based Unsupervised Cross-modality Vestibular Schwannoma and Cochlea Segmentation
Vanderbilt University（范德堡大学）
自动分割前庭神经鞘瘤（VS）和耳蜗的磁共振成像可以促进VS治疗计划。无监督分割方法已经显示出有希望的结果，而不需要耗时费力的手动标记过程。在本文中，我们提出了一种在无监督的领域自适应设置VS和耳蜗分割的方法。具体来说，我们首先开发了一个跨站点跨模态不成对图像翻译策略，以丰富合成数据的多样性。然后，我们设计了一个基于规则的离线增强技术，以进一步减少域差距。最后，我们采用了一个自我配置的分割框架授权的自我训练，以获得最终的结果。在CrossMoDA 2022验证排行榜上，我们的方法实现了具有竞争力的VS和耳蜗分割性能，平均Dice得分分别为0.8178 $\pm$ 0.0803和0.8433 $\pm$ 0.0293。
2022-10-26 cs.CV
Isolating to Harness: Cross-Division Distillation for Fully Unsupervised Anomaly Detection
针对训练数据含未标记异常的完全无监督异常检测场景，提出跨分区蒸馏框架，通过隔离异常影响并跨分区协作生成伪监督，在噪声AD数据集上性能优于基线。
2026-07-31 cs.CV
Unsupervised Continual Anomaly Detection with Contrastively-learned Prompt
Southern University of Science and Technology（南方科技大学）；Tencent Youtu Lab（腾讯优图实验室）；Shanghai Jiao Tong University（上海交通大学）
针对工业制造中无监督异常检测的灾难性遗忘问题，提出UCAD框架，通过对比学习提示词和结合SAM的基于结构对比学习，赋予模型持续学习能力，显著优于现有异常检测方法。
2024-01-02 cs.CV cs.LG
Unsupervised Online Video Object Segmentation with Motion Property Understanding
无监督视频对象分割的目标是在不需要任何用户注释的情况下自动分割无约束视频中的运动对象。到目前为止，只有少数无监督的在线方法已在文献中报道，他们的性能仍然远远不能令人满意，因为补充信息，从未来的帧不能处理在线设置。为了解决这个具有挑战性的问题，在本文中，我们提出了一种新的无监督在线视频对象分割（UOVOS）框架，通过将运动属性定义为与分割区域的通用对象同时移动。通过结合显著运动检测和目标建议，逐像素融合策略，以有效地去除检测噪声，如动态背景和静止目标。此外，通过利用从紧接在前的帧中获得的分割，采用前向传播算法来处理不可靠的运动检测和对象建议。在多个基准数据集上的实验结果证明了该方法的有效性。与最先进的无监督在线分割算法相比，该方法实现了6.2%的绝对增益。此外，我们的方法在DAVIS-2016基准数据集上实现了比最佳无监督离线算法更好的性能。我们的代码可以在项目网站上找到：https://github.com/visiontao/uovos。
2019-08-06 cs.CV cs.LG
A Study of Representational Properties of Unsupervised Anomaly Detection in Brain MRI
Indian Institute of Technology, Madras（马德拉斯印度理工学院）；Healthcare Technology Innovation Centre, IIT Madras（印度理工学院马德拉斯分校医疗技术创新中心）
MRI异常检测在成像和诊断方面具有很高的临床价值。用于异常检测的无监督方法提供了基于重构或潜在嵌入的有趣公式，提供了一种观察与因子分解相关的属性的方法。我们研究了四种现有的建模方法，并使用简单的数据科学工具报告了我们的经验观察结果，从因子分解的角度寻求结果，因为它与无监督异常检测任务最相关，考虑到大脑结构MRI的情况。我们的研究表明，异常检测算法，表现出因式分解相关的属性是很好的能力与划定能力，以区分正常和异常数据。我们已经在多个异常和正常数据集中验证了我们的观察结果。
2022-11-28 cs.CV eess.IV
AnoSeg: Anomaly Segmentation Network Using Self-Supervised Learning
Sogang University（西江大学）；LG Display（乐金显示）；Pukyong National University（釜庆国立大学）
异常分割是大规模工业制造中的一个重要组成部分，它定位缺陷区域。然而，最近的研究主要集中在异常检测。本文提出了一种新的异常分割网络（AnoSeg），可以使用自监督学习直接生成准确的异常图。对于高度准确的异常分割，提出的AnoSeg考虑了三种新技术：基于硬增强的异常数据生成，具有像素和对抗性损失的自监督学习，以及坐标通道级联。首先，为了生成正常数据的合成异常图像和参考掩模，所提出的方法使用硬增强来改变正态样本分布。然后，所提出的AnoSeg训练在一个自监督学习的方式从合成异常数据和正常数据。最后，将表示像素位置信息的坐标通道连接到AnoSeg的输入，以考虑图像中每个像素的位置关系。所估计的异常图还可以用于提高异常检测的性能。我们的实验表明，该方法优于国家的最先进的异常检测和异常分割方法的MVTec AD数据集。此外，我们比较了所提出的方法与现有的方法，通过在分割任务中常用的交集（IoU）度量，并证明了我们的方法异常分割的优越性。
2021-10-07 cs.CV eess.IV
Binary Noise for Binary Tasks: Masked Bernoulli Diffusion for Unsupervised Anomaly Detection
University of Basel（巴塞尔大学）
提出基于潜在伯努利扩散模型的快速无监督异常检测方法，利用二值潜在表示和翻转概率识别异常，结合掩码算法提升性能，兼顾速度与内存效率。
2024-03-18 cs.CV eess.IV
Unsupervised Anomaly Detection in MR Images using Multi-Contrast Information
Korea Advanced Institute of Science and Technology（韩国科学技术院）；Samsung Electronics（三星电子）
医学影像异常检测是将疾病的相关生物标志物与正常组织的相关生物标志物区分开来。深度监督学习方法已经在各种检测任务中显示出潜力，但其性能在医学成像领域受到限制，因为收集注释的异常数据有限且劳动密集。因此，无监督的异常检测可以是一个有效的工具，用于临床实践，它只使用未标记的正常图像作为训练数据。在本文中，我们开发了一个无监督的学习框架，用于多对比度磁共振成像（MRI）中的像素级异常检测。该框架包括特征生成和高斯混合模型（GMM）密度估计两个步骤。通过对比度到对比度转换的学习来获得特征，其有效地捕获多对比度MRI中的正常组织特征。该特征与另一特征协作使用，该特征是多对比度图像的低维表示。在使用GMM进行密度估计时，引入了一种简单而有效的方法来处理中断联合学习过程的奇异性问题。所提出的方法优于以前的异常检测方法。定量和定性分析证明了该方法在多对比度MRI异常检测中的有效性。
2021-05-19 cs.CV eess.IV
GAN based Unsupervised Segmentation: Should We Match the Exact Number of Objects
Vanderbilt University（范德堡大学）
无监督分割是生物医学图像分析中的一个热门课题。其基本思想是将监督分割任务作为无监督合成问题来处理，其中强度图像可以使用循环一致性对抗学习转移到注释域。先前的研究已经表明，宏观水平（全局分布水平）上的对象数量匹配（例如，细胞、组织、突起等）在两个域之间，导致更好的分割性能。然而，没有先前的研究已经利用了无监督分割性能是否会进一步提高时，匹配的确切数量的对象在微观层面（小批量水平）。在本文中，我们提出了一种基于深度学习的无监督分割方法，用于分割高度重叠和动态的亚细胞微绒毛。在这项具有挑战性的任务中，对微观和宏观层面的匹配策略进行了评估。为了在微观层次上实现目标数量的匹配，提出了一种基于荧光的微观层次匹配方法。从实验结果来看，与简单的宏观级匹配相比，微观级匹配并没有提高分割性能。
2020-10-22 cs.CV eess.IV
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。
2021-09-09 cs.CV eess.IV
Self-Supervised Masked Mesh Learning for Unsupervised Anomaly Detection on 3D Cortical Surfaces
Tubingen Center for Mental Health（蒂宾根心理健康中心）；Donders Institute, Radboud University（拉德堡德大学唐德斯研究所）；University of Jena（耶拿大学）
本文提出自监督掩蔽网格学习框架，利用皮层表面几何结构训练MMN网络，通过重建误差检测阿尔茨海默病相关皮层异常，在UKB和HCP-Aging训练并在ADNI和OASIS3验证有效。
2025-03-30 cs.CV eess.IV
ASC-Net : Adversarial-based Selective Network for Unsupervised Anomaly Segmentation
University of Georgia（佐治亚大学）；Shanghai Jiao Tong University（上海交通大学）
我们引入了一个神经网络框架，利用对抗学习将图像划分为两个切口，其中一个切口落入用户提供的参考分布。这个概念解决了无监督异常分割的任务，近年来由于其在无标记数据任务中的广泛应用而引起了越来越多的关注。这种基于对抗性的选择性切割网络（ASC-Net）桥接了基于集群的深度学习方法和基于对抗性的异常/新颖性检测算法这两个领域。我们在BraTS脑肿瘤分割、LiTS肝脏病变分割和MS-SEG 2015分割任务上评估了该无监督学习模型。与AnoGAN家族等现有方法相比，我们的模型在无监督异常分割任务中表现出巨大的性能提升。虽然与监督学习算法相比，仍有进一步提高性能的空间，但有希望的实验结果为使用用户定义的知识构建无监督学习算法提供了启示。
2021-07-09 cs.CV cs.LG eess.IV
MAEDiff: Masked Autoencoder-enhanced Diffusion Models for Unsupervised Anomaly Detection in Brain Images
School of Computer Science, Wuhan University（武汉大学计算机学院）
针对脑图像重建困难与全局信息利用不足的问题，本文提出MAEDiff，通过分层补丁和掩码自编码器增强扩散模型的健康图像生成与异常定位，并在肿瘤及多发性硬化病变数据上验证有效。
2024-01-19 cs.CV eess.IV
Consistent estimation of the max-flow problem: Towards unsupervised image segmentation
Texas A&M University（德克萨斯农工大学）
复杂生物和制造过程的基于图像的诊断的进步使无监督图像分割成为实现自动化、动态决策的最前沿。然而，大多数现有的无监督分割方法或者计算复杂或者需要手动参数选择（例如，最大流量/最小切割分段中的流量容量）。在这项工作中，我们提出了一个完全无监督的分割方法，使用连续的最大流公式在图像域，同时最佳地估计流量参数的图像特征。更具体地说，我们表明，最大后验估计的图像标签可以制定为一个连续的最大流问题的流量是已知的。然后，通过采用一种新的马尔可夫随机场之前的图像域迭代获得的流量。我们提出的理论结果，建立后的一致性的流量。我们比较了我们的方法在两个真实案例研究中的性能，包括使用电子显微镜图像的增材制造组件中的脑肿瘤图像分割和缺陷识别。与几种最先进的监督方法以及无监督方法的比较结果表明，本方法在统计上与监督方法相似，但与最先进的无监督方法相比，Dice分数提高了90%以上。
2019-06-29 cs.CV eess.IV
Synomaly Noise and Multi-Stage Diffusion: A Novel Approach for Unsupervised Anomaly Detection in Medical Images
Computer Aided Medical Procedures, Technical University of Munich, Munich, Germany（技术大学慕尼黑计算机辅助医疗程序）；Munich Center of Machine Learning, Munich, Germany（慕尼黑机器学习中心）；Department for Vascular and Endovascular Surgery, rechts der Isar University Hospital, Technical University of Munich, Munich, Germany（技术大学慕尼黑血管和内血管外科部门）
针对医学图像标注稀缺问题，提出融合Synomaly噪声与多阶段扩散的无监督检测框架，仅用健康图像训练并在多模态数据上达到优异性能。
2025-07-27 cs.CV eess.IV
Anomaly Detection-Inspired Few-Shot Medical Image Segmentation Through Self-Supervision With Supervoxels
UiT The Arctic University of Norway（特罗姆瑟大学（挪威北极圈大学））
最近的工作表明，标签有效的Few-Shot学习通过自我监督可以实现有前途的医学图像分割结果。然而，Few-Shot分割模型通常依赖于语义类的原型表示，导致局部信息的丢失，从而降低性能。这对于医学图像分割问题中通常较大且高度异质的背景类是特别成问题的。以前的作品试图通过学习每个类的额外原型来解决这个问题，但由于原型是基于有限数量的切片，我们认为这种临时解决方案不足以捕获背景属性。受此启发，并观察到前景类（例如，一个器官）是相对均匀的，我们提出了一种新的异常检测启发的方法来Few-Shot医学图像分割，我们避免明确建模的背景。相反，我们只依赖于一个单一的前景原型来计算所有查询像素的异常分数。然后通过使用学习的阈值对这些异常分数进行阈值化来执行分割。借助于一种新的自我监督任务，利用三维结构的医学图像，通过超体素，我们提出的异常检测启发的Few-Shot医学图像分割模型优于以前的国家的最先进的方法在两个代表性的MRI数据集的腹部器官分割和心脏分割的任务。
2022-03-03 cs.CV eess.IV
HUNIS: High-Performance Unsupervised Nuclei Instance Segmentation
University of Southern California（南加州大学）
提出了一种高性能的无监督核实例分割方法。HUNIS由两个阶段的块操作组成。第一阶段包括：1）像素强度的自适应阈值化，2）核尺寸/形状先验的结合，以及3）假阳性核实例的去除。然后，HUNIS通过接收第一阶段分割的指导来进行第二阶段分割。第二阶段利用第一阶段中获得的分割掩模，并利用颜色和形状分布进行更准确的分割。两阶段设计的主要目的是提供从第一阶段到第二阶段的逐像素伪标签。这种自我监督机制新颖有效。在MoNuSeg数据集上的实验结果表明，HUNIS的性能远远优于所有其他无监督方法。它在最先进的监督方法中也具有竞争力。
2022-03-28 cs.CV eess.IV
Unsupervised Cardiac Segmentation Utilizing Synthesized Images from Anatomical Labels
Fudan University（复旦大学）；University of Oxford（牛津大学）；Chung-Ang University（中央大学）
心脏分割在临床实践中有很大的需求。由于手工描绘的巨大劳动，期望无监督分割。该任务的不适定优化问题本质上是具有挑战性的，需要精心设计的约束。在这项工作中，我们提出了一个无监督的框架，多类分割的强度和形状的约束。首先，我们扩展了一个传统的非凸能量函数作为强度约束，并实现了它与U-Net。对于形状约束，通过图像到图像转换从解剖标签生成合成图像，作为分割网络的形状监督。此外，应用增强不变性以便于分割网络学习形状方面的潜在特征。我们使用MICCAI 2019 MSCMR Challenge的公共数据集评估了拟议的框架，并在Myo、LV和RV的心脏MRI上取得了令人鼓舞的结果，Dice评分分别为0.5737、0.7796和0.6287。
2023-01-15 cs.CV eess.IV
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
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。
2021-07-20 cs.CV cs.LG eess.IV
Unsupervised Medical Image Segmentation with Adversarial Networks: From Edge Diagrams to Segmentation Maps
Vector Institute（向量研究所）；McMaster University（麦克马斯特大学）
我们开发和接近无监督语义医学图像分割，扩展了以前的工作与生成对抗网络。我们使用现有的边缘检测方法来构建简单的边缘图，训练生成模型将其转换为合成医学图像，并使用提取的边缘图上的变化构建具有已知分割的合成图像的数据集。然后使用该合成数据集来训练监督图像分割模型。我们在肾脏超声图像的临床数据集和基准ISIC 2018皮肤病变数据集上测试了我们的方法。我们证明了我们的无监督方法比以前的无监督方法更准确，并且与监督图像分割模型相比表现合理。所有代码和训练模型都可以在https://github.com/kiretd/Unsupervised-MIseg上找到。
2019-11-12 cs.AI cs.CV cs.LG
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。
2021-03-16 cs.CV cs.LG eess.IV
Diffusion Models with Ensembled Structure-Based Anomaly Scoring for Unsupervised Anomaly Detection
Jung Diagnostics GmbH（荣格诊断有限公司）
本文针对无监督异常检测中异常评分仅关注强度而忽略结构差异的问题，提出一种基于不同核大小自适应集成的SSIM策略，提升了扩散模型在脑MRI异常检测中的分割性能并降低了对核大小的敏感性。
2024-03-21 cs.CV cs.LG eess.IV
ASC-Net: Unsupervised Medical Anomaly Segmentation Using an Adversarial-based Selective Cutting Network
University of Georgia（佐治亚大学）；Zhongnan Hospital of Wuhan University（武汉大学中南医院）；Shanghai Jiao Tong University（上海交通大学）
在本文中，我们考虑在医学图像中的无监督异常分割的问题，这引起了越来越多的关注，近年来由于昂贵的像素级的专家注释和存在大量的未注释的正常和异常的图像扫描。我们引入了一个分割网络，该网络利用对抗学习将图像划分为两个切割，其中一个切割落入用户提供的参考分布中。这种基于对抗性的选择性切割网络（ASC-Net）桥接了基于聚类的深度分割和基于对抗性的异常/新颖性检测算法这两个领域。我们的ASC-Net从正常和异常的医疗扫描中学习，以在没有任何监督掩码的情况下分割医疗扫描中的异常。我们在三个公共数据集上评估了这种无监督的异常分割模型，即，BraTS 2019用于脑肿瘤分割，LiTS用于肝脏病变分割，MS-SEG 2015用于脑病变分割，以及用于脑肿瘤分割的私人数据集。与现有方法相比，我们的模型在无监督异常分割任务中表现出巨大的性能提升。虽然与监督学习算法相比，仍有进一步提高性能的空间，但有希望的实验结果和有趣的观察结果揭示了使用用户定义的知识构建用于医疗异常识别的无监督学习算法。
2021-12-16 cs.AI cs.CV eess.IV
Automated anomaly-aware 3D segmentation of bones and cartilages in knee MR images from the Osteoarthritis Initiative
The University of Queensland（昆士兰大学）；Australian e-Health Research Centre（澳大利亚电子健康研究中心）；Commonwealth Scientific and Industrial Research Organisation（联邦科学与工业研究组织）
在医学图像分析中，通常具有潜在异常和病理的多组分解剖结构的自动分割是一项具有挑战性的任务。在这项工作中，我们开发了一种多步骤的方法，使用基于U-Net的神经网络，从不同级别骨关节炎患者的膝关节三维磁共振（MR）图像中初步检测股骨远端、胫骨近端和髌骨的异常（骨髓病变、骨囊肿）。随后，提取的数据用于下游任务，包括单个骨骼和软骨体积以及骨骼异常的语义分割。对于异常检测，开发了基于U-Net的模型，通过修复重建图像中股骨和胫骨的骨骼轮廓，以便将异常骨骼区域替换为接近正常的外观。重建误差用于检测骨骼异常。第二个异常感知网络（与异常初始分割网络进行比较）用于从包含骨异常谱的膝关节MR图像中提供股骨、胫骨和髌骨骨和软骨的最终自动分割。与来自异常初始分割网络的结果相比，异常感知分割方法为骨分割提供了高达58%的Hausdorff距离减少。此外，与异常初始分割网络（AUC高达0.874）相比，异常感知网络能够以更高的灵敏度和特异性（AUC高达0.896）检测MR图像中的骨病变。
2022-12-01 cs.CV cs.LG eess.IV
A Synergy Scoring Filter for Unsupervised Anomaly Detection with Noisy Data
针对含噪全监督异常检测性能与扩展性不足的问题，提出模型无关的协同评分滤波器SSFilter，结合异常合成与完整性增强策略，在Real-IAD数据集FUAD基准上达SOTA，且可提升多种UAD方法性能。
2025-06-18 eess.IV
Context-encoding Variational Autoencoder for Unsupervised Anomaly Detection -- Short Paper
无监督学习可以利用大规模数据源，而无需注释。在这种背景下，基于深度学习的自动编码器在检测医学图像中的异常方面表现出了巨大的潜力。然而，特别是变分自动编码器（VAE）往往无法捕获数据中的高级结构。我们通过提出上下文编码变分自动编码器（ceVAE）来解决这些缺点，该编码器改进了样本和像素结果。在我们对BraTS-2017和ISLES-2015分割基准的实验中，ceVAE分别实现了0.95和0.89的无监督AUROC，从而优于其他报告的基于深度学习的方法。
2020-01-01 eess.IV
Unsupervised domain adaptation based COVID-19 CT infection segmentation network
计算机断层扫描（CT）图像中感染区域的自动分割已被证明是COVID-19的有效诊断方法。然而，由于像素级注释的医学图像的数量有限，准确的分割仍然是一个重大挑战。在本文中，我们提出了一种基于无监督域自适应的分割网络，以提高COVID-19 CT图像中感染区域的分割性能。特别地，我们建议利用合成数据和有限的未标记的真实COVID-19 CT图像来联合训练分割网络。此外，我们开发了一个新的领域自适应模块，用于对齐两个领域，有效地提高分割网络的泛化能力，真正的领域。此外，我们提出了一个无监督的对抗性训练方案，鼓励分割网络学习域不变特征，以便将鲁棒特征用于分割。实验结果表明，我们的方法可以在COVID-19 CT图像上实现最先进的分割性能。
2021-09-10 eess.IV
Challenging Current Semi-Supervised Anomaly Segmentation Methods for Brain MRI
本文证明对脑部FLAIR MRI进行阈值化即可在肿瘤和多发性硬化病灶分割中优于多种机器学习半监督异常分割方法，挑战了现有ML方案的有效性。
2021-09-13 eess.IV
Patch vs. Global Image-Based Unsupervised Anomaly Detection in MR Brain Scans of Early Parkinsonian Patients
虽然神经网络在许多医学图像分析应用中已经证明非常成功，但在针对诸如识别几乎不可见的脑部病变等微妙任务时，它们的使用仍然很困难，特别是在缺乏注释数据集的情况下。良好的候选方法是基于块的无监督管道，其优点是增加输入数据的数量，并捕获分布在图像中的局部和精细异常模式，而潜在的不便是全局结构信息的丢失。我们说明了这种权衡对帕金森氏病（PD）异常检测的性能比较的两个异常检测模型的基础上的空间自动编码器（AE）和适应补丁馈连体自动编码器（SAE）。平均而言，SAE模型表现更好，表明补丁可能确实是有利的。
2021-10-25 eess.IV
A Dynamically Weighted Loss Function for Unsupervised Image Segmentation
针对无监督图像分割中固定权重需手动调整的问题，提出动态加权方案，自动平衡特征相似性与空间连续性，在四个数据集上超越现有方法。
2024-03-17 eess.IV
Unsupervised Pixel-wise Hyperspectral Anomaly Detection via Autoencoding Adversarial Networks
提出了一种完全无监督的高光谱图像像素级异常检测方法。所提出的方法包括三个步骤，称为数据准备，重建和检测。在数据准备步骤中，我们应用背景净化以无监督的方式训练深度网络。在重建步骤中，我们建议使用三种不同的深度自编码对抗网络（AEAN）模型，包括1D-AEAN，2D-AEAN和3D-AEAN，它们分别用于频谱，空间和联合频谱-空间域。AEAN模型的目标是生成接近真实的合成高光谱图像（HSI）。计算原始图像像素和合成图像像素之间的重建误差图（REM）。在检测步骤中，我们建议使用基于WRX的检测器，其中像素权重根据REM获得。在真实高光谱数据集上，将该方法与经典RX、WRX、基于支持向量数据预处理（SVDD）、基于协同表示的检测器（CRD）、自适应权重深度信念网络（AW-DBN）检测器和深度自动编码器异常检测（DAEAD）方法进行了比较。实验结果表明，该方法优于基准测试中的其他检测器。
2021-01-21 eess.IV
Hybrid Efficient Unsupervised Anomaly Detection for Early Pandemic Case Identification
Wright State University（怀特州立大学）
本文提出一种结合距离与密度度量的混合无监督异常检测方法，用于流行病早期病例识别，并在COVID-19胸部X光数据上取得77.43%的平均AUC，优于Isolation Forest和KNN。
2024-08-09 cs.LG eess.IV
Adversarial Denoising Diffusion Model for Unsupervised Anomaly Detection
University of Cambridge（剑桥大学）；Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST））；Inje University（仁济大学）
提出融合对抗学习的ADDM，通过区分去噪样本与加噪样本提升扩散模型语义建模能力，并在无监督MRI异常检测中以更少采样步骤取得更优性能。
2023-12-07 cs.AI eess.IV
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。
2025-07-21 cs.LG eess.IV
