Unsupervised Anomaly Detection with an Enhanced Teacher for Student-Teacher Feature Pyramid Matching
University of Tehran（德黑兰大学）
本文提出了一种增强教师的学生-教师特征金字塔匹配框架，用于提升无监督异常检测的性能，实验结果显示在图像和像素级均取得较高的准确率。
2025-12-20 cs.CV
Beer-Lambert Guided Representation Learning for Unsupervised Anomaly Detection in Sub-THz Food Inspection Images
Division of Electronics and Information Engineering, Jeonbuk National University（全北国立大学电子与信息工程学部）
提出比尔-朗伯引导的表示学习框架，通过衰减分解模块约束学生表示，在亚毫米波食品检测图像中实现无监督异常检测，并引入留一食品协议评估泛化能力。
2026-06-16 cs.CV
Self-Supervised Masking for Unsupervised Anomaly Detection and Localization
Cooperative Medianet Innovation Center（未来媒体网络协同创新中心）；Shanghai Jiao Tong University（上海交通大学）；Shanghai AI Laboratory（上海人工智能实验室）
近年来，多媒体数据中的异常检测和定位在机器学习界受到了极大的关注。在医学诊断和工业缺陷检测等实际应用中，异常只存在于一小部分图像中。为了将基于重构的异常检测体系结构扩展到局部异常，我们提出了一种通过随机掩蔽然后恢复的自监督学习方法，称为自监督掩蔽（SSM），用于无监督异常检测和定位。SSM不仅增强了修复网络的训练，而且大大提高了推理时的掩码预测效率。通过随机掩蔽，每个图像被增强为一组不同的训练三元组，从而使自动编码器能够在训练期间学习使用各种大小和形状的掩码进行重建。为了提高异常检测和定位推理的效率和有效性，我们提出了一种新的渐进掩模细化方法，逐步揭示正常区域，并最终定位异常区域。所提出的SSM方法在异常检测和异常定位方面优于几种最先进的方法，分别在视网膜OCT上实现98.3% AUC，在MVTec AD上实现93.9% AUC。
2022-05-13 cs.CV
MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection
University of Electronic Science and Technology of China（电子科技大学）；Peng Cheng Laboratory（鹏城实验室）
针对无监督异常检测中异常大小变化问题，提出多尺度流框架MSFlow，通过不对称并行流和融合流交换多尺度感知，在MVTec AD上取得检测99.7%、定位98.8%的最优性能。
2023-08-29 cs.CV
Synthetic Pseudo Anomalies for Unsupervised Video Anomaly Detection: A Simple yet Efficient Framework based on Masked Autoencoder
Xiamen University（厦门大学）；PKU-Wuhan Institute for Artificial Intelligence（北大武汉人工智能研究院）
由于可用于训练的异常样本有限，视频异常检测通常被视为一类分类问题。许多流行的方法研究了自动编码器（AutoEncoders，AE）产生的重建差异，假设AE可以很好地重建正常数据，但重建异常数据的效果很差。然而，即使仅使用正常的数据训练，AE也常常很好地重构异常，这耗尽了其异常检测性能。为了解决这个问题，我们提出了一个简单而有效的视频异常检测框架。引入伪异常样本，通过嵌入随机掩模标记，仅从正常数据合成伪异常样本，无需额外的数据处理。我们还提出了一种正态一致性训练策略，鼓励AE更好地从正态和相应的伪异常数据中学习规则知识。通过这种方式，AE了解到正常和异常数据之间的更明显的重建边界，从而产生更好的异常区分能力。通过仿真和实测数据处理验证了所提方法的有效性。
2023-03-09 cs.CV
Pyramid-based Mamba Multi-class Unsupervised Anomaly Detection
University of Udine（乌迪内大学）
针对小异常定位难题，提出基于状态空间模型（SSM）的金字塔扫描策略（PSS），结合预训练编码器与特征级合成异常生成器提取多尺度特征，在MVTec基准上实现AP和AU-PRO各提升1%。
2025-04-04 cs.CV
A Hierarchically Feature Reconstructed Autoencoder for Unsupervised Anomaly Detection
Fuzhou University（福州大学）；School of Advanced Manufacturing, Fuzhou University（福州大学先进制造学院）
针对无监督异常检测与定位任务中现有方法网络复杂、流程繁琐的问题，提出一种基于预训练编码器与特征重构解码器的简单自编码器架构，无需数据增强和异常样本训练，通过分层特征误差聚合实现定位，在多个基准数据集上性能优于现有最优方法。
2024-05-15 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
Unsupervised Face Morphing Attack Detection via Self-paced Anomaly Detection
Fraunhofer Institute for Computer Graphics Research IGD（弗劳恩霍夫计算机图形学研究所IGD）；TU Darmstadt（达姆施塔特工业大学）
基于监督学习的变形攻击检测（MAD）解决方案在处理来自已知变形技术和已知数据源的攻击方面取得了显著的成功。然而，考虑到变形攻击的变化，由于现有MAD数据集的多样性和数量不足，监督MAD解决方案的性能显着下降。为了解决这个问题，我们提出了一个完全无监督的MAD解决方案，通过利用现有的大规模人脸识别（FR）数据集和卷积自动编码器的无监督性质，通过自同步异常检测（SPL-MAD）。使用可能包含无意和未标记的操纵样本的一般FR数据集来训练自动编码器可以导致攻击和真实样本的不同重建行为。我们分析这种行为的经验，为设计我们的无监督MAD解决方案提供了坚实的理论基础。这也导致建议整合我们的自适应修改的自定进度学习范式，以完全无监督的方式增强真实样本和攻击样本之间的重建误差可分性。我们在一组不同的MAD评估数据集上的实验结果表明，所提出的无监督SPL-MAD解决方案优于各种有监督MAD解决方案的整体性能，并对未知攻击提供了更高的泛化能力。
2022-08-11 cs.CV
StructCore: Structure-Aware Image-Level Scoring for Training-Free Unsupervised 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（广东中医药实验室）
StructCore通过结构感知的图像级评分方法，在无监督异常检测中实现了高鲁棒性的异常检测性能。
2026-02-21 cs.CV
Self-Supervised Guided Segmentation Framework for Unsupervised Anomaly Detection
Nanjing University of Science and Technology（南京理工大学）
无监督异常检测在工业应用中是一项具有挑战性的任务，因为它是不切实际的，以收集足够的异常样本。本文提出了一种新的自监督引导分割框架（SGSF），通过共同探索有效的伪造异常样本生成方法和正常样本特征作为异常检测分割的指导信息，实现了异常检测的自监督引导分割。具体而言，为了确保生成的伪造异常样本有利于模型训练，提出了显著性增强模块（SAM）。SAM引入显著性图生成显著性Perlin噪声图，并提出了一种自适应分割策略，在显著性区域生成不规则掩模。然后，利用这些模板生成伪造的异常样本作为负样本进行训练。不幸的是，伪造和真实异常样本之间的分布差距使得基于伪造样本训练的模型难以有效地定位真实异常。为此，提出了自监督指导网络（SGN）。它利用自监督模块来提取无噪声且包含正常语义信息的特征作为分割模块的先验知识。分割模块利用正常模式的知识，分割出与引导特征不同的异常区域。为了评估SGSF异常检测的有效性，进行了广泛的实验上的异常检测数据集。实验结果表明，SGSF达到了最先进的异常检测结果。
2022-09-26 cs.CV
Component-aware Unsupervised Logical Anomaly Generation for Industrial Anomaly Detection
Academy for Engineering & Technology, Fudan University（复旦大学工程技术学院）；Shanghai Engineering Research Center of AI & Robotics（上海市人工智能与机器人工程研究中心）；Engineering Research Center of AI & Robotics, Ministry of Education（教育部人工智能与机器人工程研究中心）
本文提出组件感知无监督框架 ComGEN，通过多组件解耦与注意力引导残差编辑生成逻辑异常，在 MVTecLOCO 上达到 91.2% AUROC，并提升真实工业场景检测性能。
2025-02-17 cs.CV
Unsupervised Anomaly Detection from Time-of-Flight Depth Images
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））
视频异常检测（VAD）解决了自动发现视频数据中的异常事件的问题。当前VAD系统工作的主要数据模态是单色或RGB图像。尽管深度图像在许多其他计算机视觉研究领域中是流行的选择，并且廉价的深度相机硬件的可用性日益增加，但是在该上下文中使用深度数据仍然很难探索。我们评估了现有的基于自动编码器的方法在深度视频上的应用，并提出了如何通过集成到损失函数中来利用使用深度数据的优势。训练是在无监督的情况下使用正常序列进行的，不需要任何额外的注释。我们表明，深度可以很容易地提取辅助信息的景物分析的形式的前景掩模，并通过评估一个大型的公共数据集，我们也是第一个提出的结果，展示其对异常检测性能的有益影响。
2022-04-12 cs.CV
Exploring Multimodal Prompts For Unsupervised Continuous Anomaly Detection
Key Laboratory of Computing Power Network（计算能力网络重点实验室）；Information Security, Ministry of Education, Shandong Computer Science Center (National Supercomputer Center in Jinan), Qilu University of Technology (Shandong Academy of Sciences)（信息安全，教育部，山东计算机科学中心（济南国家超算中心），齐鲁工业大学（山东科学院））；Shandong Provincial Key Laboratory of Computing Power Internet（山东省计算能力互联网重点实验室）；Service Computing, Shandong Fundamental Research Center for Computer Science（服务计算，山东省计算机基础研究中心）；Faculty of Data Science, City University of Macau（数据科学学院，澳门城市大学）
本文提出基于多模态提示的无监督连续异常检测框架，通过持续多模态提示记忆库和缺陷语义引导自适应融合机制提升检测精度与鲁棒性，实验表明在MVTec AD和VisA数据集上取得最优性能。
2026-03-23 cs.CV
CSAD: Unsupervised Component Segmentation for Logical Anomaly Detection
National Tsing Hua University（国立清华大学）
本文提出 CSAD 方法，利用基础模型无监督生成组件分割标签，并结合 Patch Histogram 与 LGST 模块，在 MVTec LOCO AD 上以 95.3% AUROC 超越 SOTA，同时实现更低延迟和更高吞吐量。
2024-09-01 cs.CV
A Survey on Unsupervised Anomaly Detection Algorithms for Industrial Images
本综述针对工业4.0背景下工业图像异常检测需求，梳理五大类无监督异常检测算法的创新点与框架，介绍公开数据集，总结各类方法优劣，指出待解决问题与未来研究方向，为科研及工业领域提供跨领域参考。
2023-06-13 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
ADFA: Attention-augmented Differentiable top-k Feature Adaptation for Unsupervised Medical Anomaly Detection
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
针对医学影像监督异常检测因标注稀缺受限的问题，提出ADFA方法，利用预训练WR50提取特征，结合注意力增强块描述符与可微top-k自适应，在多个数据集上超越SOTA。
2023-08-29 cs.CV
Unsupervised Learning of Multi-level Structures for Anomaly Detection
Shanghai University（上海大学）
高维异常检测任务的主要困难是缺乏用于训练的异常数据。简单地从真实世界、常见分布或正态数据流形的边界收集异常数据可能面临丢失异常模式的问题。本文首先介绍了一种新的方法来产生异常数据，打破了全球结构，而保持正常数据的局部结构在多个层次上。它可以有效地揭露各种层次的局部异常结构。为了充分利用暴露的多层异常结构，我们提出了训练多层特定的基于补丁的检测器与对比损失。每个检测器学习在所有位置检测相应级别的局部异常结构，并输出分片异常分数。通过聚合所有特定级别检测器的输出，我们获得了一个可以检测所有潜在异常的模型。在MNIST，CIFAR10和ImageNet10数据集上评估了有效性，结果超过了最先进方法的准确性。定性实验表明，我们的模型是鲁棒的，它无偏地检测所有的异常模式。
2021-04-25 cs.CV
SwinAD: Multi-stage feature reconstruction for unsupervised industrial anomaly detection
Institute of Artificial Intelligence, University of Engineering and Technology, Vietnam National University（越南国立大学工程技术大学人工智能研究所）；Human-Machine Interaction Laboratory, University of Engineering and Technology, Vietnam National University（越南国立大学工程技术大学人机交互实验室）；Applied AI Lab, Phenikaa School of Computing, Phenikaa University（费尼卡大学计算学院应用人工智能实验室）
本文针对多类无监督工业异常检测问题，提出SwinAD框架，利用Swin Transformer V2编码器和特征多样性保持重建解码器，结合分层Swin特征与多尺度重建，提升了像素级定位精度，在相关基准测试中取得较好效果。
2026-07-17 cs.CV
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
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
Image-based Plant Disease Diagnosis with Unsupervised Anomaly Detection Based on Reconstructability of Colors
Kyushu Institute of Technology（九州工业大学）
本文提出了一种基于图像的植物病害诊断的无监督异常检测技术。构建包含健康和患病作物植物的标记图像的大型且公开可用的数据集导致对用于自动植物疾病诊断的计算机视觉技术的兴趣日益增长。虽然基于深度学习的监督图像分类器可以成为植物疾病诊断的强大工具，但它们需要大量的标记数据。异常检测的数据采掘技术包括不需要稀有样本来训练分类器的无监督方法。我们提出了一种基于颜色可重构性的无监督异常检测技术，用于基于图像的植物疾病诊断;训练用于重建\textit{healthy}植物图像颜色的深度编码器-解码器网络应该无法重建症状区域的颜色。我们提出的方法包括一个新的基于图像的植物病害检测框架，该框架利用了一个名为pix 2 pix的条件对抗网络和一个基于CIEDE 2000色差的新异常评分。与PlantVillage数据集的实验表明，我们提出的方法相比，现有的异常检测器在识别病害作物图像的准确性，可解释性和计算效率方面的优越性。
2021-09-08 cs.CV cs.LG
Unsupervised Anomaly Detection Using Diffusion Trend Analysis for Display Inspection
Samsung Display（三星显示公司）；Stanford University（斯坦福大学）
本文针对显示检测中重建式扩散模型异常检测的噪声参数难确定和正常区域误检问题，提出基于重建趋势分析的异常检测方法。
2025-08-18 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
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
Deep Unsupervised Image Anomaly Detection: An Information Theoretic Framework
Shanghai Jiao Tong University（上海交通大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
代理任务为基础的方法，最近显示出很大的希望，无监督的图像异常检测。然而，不能保证代理任务与异常检测共享一致的优化方向。在本文中，我们回到一个直接的目标函数异常检测与信息论，最大限度地提高正常和异常数据之间的距离的联合分布的图像和他们的代表。不幸的是，这个目标函数在训练期间没有提供异常数据的无监督设置下不能直接优化。通过对上述目标函数的数学分析，我们将其分解为四个部分。为了在无监督的方式进行优化，我们表明，在正常和异常数据的分布在潜在空间中是可分离的假设下，其下限可以被认为是一个函数的权重之间的权衡互信息和熵。该目标函数能够解释基于代理任务的异常检测方法的有效性，并进一步指出了潜在的改进方向。基于这个目标函数，我们引入了一个新的信息理论框架的无监督图像异常检测。大量的实验表明，所提出的框架显着优于几个国家的最先进的多个基准数据集。
2020-12-09 cs.CV cs.LG stat.ML
Leveraging Unsupervised Learning for Cost-Effective Visual Anomaly Detection
Department of Engineering, University of Cambridge（剑桥大学工程系）
本研究提出一种低成本视觉异常检测系统，通过预训练模型和低成本硬件，利用少量数据实现高准确率的异常检测，适用于中小型企业。
2026-05-17 cs.AI cs.CV
ASTER: Latent Pseudo-Anomaly Generation for Unsupervised Time-Series Anomaly Detection
University of Montreal（蒙特利尔大学）；Université de Montréal（蒙特利尔大学）
提出ASTER框架，在潜在空间生成伪异常训练Transformer分类器，结合预训练LLM增强表示，在三个基准数据集上达到最优性能。
2026-06-12 cs.AI cs.CV cs.LG
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
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 Dictionary Learning for Anomaly Detection
University of Bucharest（布加勒斯特大学）；The Research Institute of the University of Bucharest (ICUB)（布加勒斯特大学研究院（ICUB））
我们研究了采用字典学习来解决大多数异常检测应用程序的要求的可能性，例如缺乏监督，在线配方，低误报率。我们提出了新的结果，我们最近的半监督在线算法，TODDLeR，反洗钱的应用。我们还介绍了一种新的无监督的方法，使用性能的学习算法的样本的性质的指示。
2020-09-07 cs.CR cs.CV cs.LG
Unsupervised Anomaly Detection on Implicit Shape representations for Sarcopenia Detection
CNRS（法国国家科学研究中心）；LS2N（南特数字科学实验室）；Movement - Interactions - Performance（运动-互动-表现研究所）；IP UR 4334 UFR STAPS（体育与运动科学学院）；CHU Nantes（南特大学医院）；INSERM（法国国家健康与医学研究院）；l’institut du thorax（胸部研究所）；Institut Universitaire de France (IUF)（法国大学研究院）
针对肌肉减少症检测，提出基于隐式神经表示（INR）的无监督异常检测方法，通过条件INR自动解码学习肌肉潜在表示，结合重建误差的双重策略有效区分异常肌肉，在103个样本数据集上验证效果。
2025-02-13 cs.CV cs.LG
Manifolds for Unsupervised Visual Anomaly Detection
Augustus Intelligence（奥古斯都智能公司）
根据定义，异常是罕见的，因此标记的示例非常有限或不存在，并且可能不包括不可预见的场景。无监督学习方法在训练中不一定会遇到异常，这将是非常有用的。生成视觉模型在这方面可能是有用的，但不足以表示正常和异常的数据分布。为此，我们提出了常曲率流形嵌入数据分布在无监督的视觉异常检测。通过理论和经验探索的流形形状，我们开发了一种新的超球面变分自动编码器（VAE）通过赤平投影与gyroplane层-一个完全等效的庞加莱VAE。这种具有流形投影的方法在模型泛化方面是有益的，并且可以产生更多可解释的表示。我们展示了精密制造和检测中视觉异常基准的最新结果，展示了工业人工智能场景中的现实效用。我们进一步展示了组织病理学这一具有挑战性问题的方法：我们的无监督方法有效地从嘈杂的全切片图像中检测出癌性脑组织，学习组织类型的平滑、潜在组织，为医疗专业人员提供了一个可解释的决策工具。
2020-06-19 cs.CV cs.LG stat.ML
Unsupervised Tomato Split Anomaly Detection using Hyperspectral Imaging and Variational Autoencoders
University of Lincoln（林肯大学）
针对温室番茄裂果异常检测中外观多变和数据稀缺的挑战，提出一种基于高光谱成像和定制变分自编码器的无监督检测方法，在530-550nm波段下实现97%准确率并定位异常区域。
2025-04-28 cs.AI cs.CV
TailedCore: Few-Shot Sampling for Unsupervised Long-Tail Noisy Anomaly Detection
Northeastern University（东北大学）；AiV Co.（AiV公司）；Yonsei University（延世大学）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
针对正常数据集存在缺陷污染且类别分布未知长尾的挑战，提出TailSampler估计类别大小以独立处理尾类与噪声，并构建基于记忆的异常检测模型TailedCore，在无监督长尾噪声异常检测中达到最先进性能。
2026-05-26 cs.CV cs.LG
A Coarse-to-Fine Pseudo-Labeling (C2FPL) Framework for Unsupervised Video Anomaly Detection
Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学）
本文提出由粗到细伪标签（C2FPL）框架，通过分层分裂聚类和统计假设检验生成片段级伪标签，用于训练无监督视频异常检测器，在UCF-Crime和XD-Violence上优于现有OCC和US方法并接近WS方法性能。
2023-10-26 cs.CV cs.LG
DINO-AD: Unsupervised Anomaly Detection with Frozen DINO-V3 Features
National Heart and Lung Institute, Imperial College London, London, UK（帝国理工学院伦敦心脏和肺研究所）；Department of Digital Twins for Healthcare, BMEIS, King’s College London, London, UK（King’s College London医疗数字双领域部门）；SonoScape Medical Corp.（SonoScape医疗公司）
DINO-AD通过冻结DINO-V3特征实现无监督异常检测，利用自监督特征进行精确定位，实验表明其在准确性和鲁棒性上优于现有方法。
2026-01-31 cs.CV eess.IV
SoftPatch: Unsupervised Anomaly Detection with Noisy Data
Southern University of Science and Technology（南方科技大学）；Tencent（腾讯）；Youtu Lab（腾讯云优图实验室）
本文提出基于记忆的无监督异常检测方法SoftPatch，通过patch级去噪和软化检测边界解决含噪数据训练问题，在MVTecAD和BTAD基准上优于现有方法且在无噪声时表现相当。
2024-03-21 cs.AI cs.CV cs.LG
Robust Subspace Recovery Layer for Unsupervised Anomaly Detection
University of Minnesota（明尼苏达大学）
我们提出了一个神经网络的无监督异常检测与一个新的强大的子空间恢复层（RSR层）。该层试图从给定数据的潜在表示中提取底层子空间，并删除远离该子空间的离群值。它在自动编码器中使用。编码器将数据映射到潜在空间中，RSR层从潜在空间中提取子空间。解码器然后平滑地将底层子空间映射回接近原始内点的“流形”。根据原始位置和映射位置之间的距离区分内点和离群点（内点小，离群点大）。使用图像和文档数据集进行的大量数值实验证明了最先进的精确度和召回率。
2019-12-24 cs.CV cs.LG stat.ML
CFLOW-AD: Real-Time Unsupervised Anomaly Detection with Localization via Conditional Normalizing Flows
Panasonic AI Lab（松下人工智能实验室）；Panasonic Technology Division（松下技术事业部）
当标记不可行时，以及当异常示例在训练数据中完全缺失时，具有定位的无监督异常检测具有许多实际应用。虽然最近提出的用于这种数据设置的模型实现了高精度度量，但是它们的复杂性是实时的【形】处理的限制因素。在本文中，我们提出了一个实时的【形】模型，并分析推导出其关系到以前的方法。我们的CFLOW-AD模型是基于一个有条件的规范化流框架，通过异常检测与本地化。特别是，CFLOW-AD由一个有区别的预训练编码器和一个多尺度生成解码器组成，后者显式估计编码特征的可能性。我们的方法产生了一个计算和内存效率高的模型：CFLOW-AD比具有相同输入设置的现有技术更快，更小10倍。我们在MVTec数据集上的实验表明，CFLOW-AD在检测任务中比以前的方法高出0.36%AUROC，在定位任务中分别高出1.12%AUROC和2.5%AUPRO。我们开源我们的代码与完全可重复的实验。
2021-07-27 cs.AI cs.CV cs.LG
Toward Unsupervised 3D Point Cloud Anomaly Detection using Variational Autoencoder
Keio University（庆应义塾大学）；Denso IT Laboratory（电装信息技术实验室）
本文提出首个针对3D点云的端到端无监督异常检测框架，基于深度变分自编码器构建检测网络并设计专用异常分数，在ShapeNet数据集上验证优于基线方法。
2023-04-07 cs.CV
MIAD: A Maintenance Inspection Dataset for Unsupervised Anomaly Detection
SenseTime Research（商汤科技研究院）；JD.com Inc Qing Yuan Research Institute（京东集团清源研究院）；Shanghai Jiao Tong University（上海交通大学）
视觉异常检测不仅在制造过程中发现产品缺陷的制造检测中起着至关重要的作用，而且在维护检测中也起着至关重要的作用，以保持设备处于最佳工作状态，特别是在户外。由于缺陷样本的稀缺性，近年来，无监督异常检测引起了人们的极大关注。然而，现有的无监督异常检测数据集偏向于制造检测，而没有考虑通常在户外不受控环境下进行的维护检测，例如相机视角变化，杂乱的背景和长期工作后物体表面的退化。我们专注于户外维护检测，并贡献了一个全面的维护检测异常检测（MIAD）数据集，其中包含各种户外工业场景中超过100K的高分辨率彩色图像。该数据集由3D图形软件生成，涵盖表面和逻辑异常，具有像素精确的地面实况。对典型的无监督异常检测算法进行了广泛的评估，我们希望MIAD和相应的实验结果可以启发户外无监督异常检测任务的研究社区。值得和相关的未来工作可以从我们的新数据集中产生。
2022-11-28 cs.CV
LogicAL: Towards logical anomaly synthesis for unsupervised anomaly localization
Ricoh Software Research Center (Beijing) Co., Ltd.（理光软件研究中心（北京）有限公司）
针对现有无监督异常定位的异常合成方法忽略逻辑约束的问题，提出基于边缘操控的LogicAL框架，结合逻辑与结构异常生成策略及边缘重建，在多个数据集上验证了其在两类异常定位上的优势。
2024-05-11 cs.CV
Improving unsupervised anomaly localization by applying multi-scale memories to autoencoders
Shandong University（山东大学）；Zhejiang University（浙江大学）
自动编码器及其变体在异常检测中得到了广泛的应用，先前的内存增强深度自动编码器提出了记忆常态来检测异常，但它忽略了不同分辨率尺度之间的特征差异，因此我们引入多尺度内存来记录特定尺度的特征，并在自动编码器的编码和解码模块之间引入多尺度注意力融合器来检测异常，即MMAE，MMAE在无监督学习期间以相应的分辨率尺度更新时隙作为原型特征。对于异常检测，我们完成异常去除，在每个尺度上的原始编码图像特征替换为最相关的原型特征，并融合这些特征之前，馈送到解码模块重建图像。在不同数据集上的实验结果证明，我们的MMAE成功地消除了不同尺度上的异常，并在几个数据集上表现良好，与类似的基于重建的方法相比。
2020-12-21 cs.CV
AnomalyFactory: Regard Anomaly Generation as Unsupervised Anomaly Localization
Ricoh Software Research Center (Beijing) Co., Ltd.（理光软件研究中心（北京）有限公司）
针对现有异常生成方法需多模型适配不同数据与类别、扩展性差的问题，提出可扩展框架AnomalyFactory，用同一网络架构统一无监督异常生成与定位，在5个数据集上验证了其生成能力与可扩展性的优势。
2024-08-18 cs.CV
Vision-Language Models Assisted Unsupervised Video Anomaly Detection
Beihang University（北京航空航天大学）
提出VLAVAD方法，结合大语言模型推理能力、选择语义空间的SPA模块和检测时间不一致性的S3M模块，将高维视觉特征映射为低维语义特征以增强可解释性，在ShanghaiTech数据集上实现了SOTA的无监督视频异常检测。
2024-09-26 cs.CV
Deep Learning for Unsupervised Anomaly Localization in Industrial Images: A Survey
University of Chinese Academy of Sciences（中国科学院大学）；Beijing Technology and Business University（北京工商大学）；Indian Institute of Technology Patna（印度理工学院巴特那分校）
目前，在监督学习方法的帮助下，基于深度学习的视觉检测已经非常成功。然而，在实际的工业场景中，缺陷样本的稀缺性，注释的成本，以及缺乏缺陷的先验知识可能会使基于监督的方法无效。近年来，无监督异常定位算法在工业检测任务中得到了越来越广泛的应用。本文旨在通过全面调查使用深度学习在工业图像中进行无监督异常定位的最新成果，帮助该领域的研究人员。该调查回顾了120多个重要的出版物，涵盖了异常定位的不同方面，主要包括各种概念，挑战，分类，基准数据集和所审查方法的定量性能比较。在回顾了迄今为止的研究成果的基础上，本文对未来的几个研究方向进行了详细的预测和分析。这篇综述为对工业异常定位感兴趣的研究人员以及希望将其应用于其他领域的异常定位的研究人员提供了详细的技术信息。
2022-07-21 cs.CV
PKU-GoodsAD: A Supermarket Goods Dataset for Unsupervised Anomaly Detection and Segmentation
Peking University（北京大学）
提出PKU-GoodsAD超市商品异常检测数据集，含6124张高分辨率图像、484种商品和6个类别，并提供像素级真值与无监督基准评估，揭示现有方法在真实超市场景中的性能不足。
2023-07-26 cs.CV
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
SoftPatch+: Fully Unsupervised Anomaly Classification and Segmentation
Shanghai Jiao Tong University（上海交通大学）；Tencent（腾讯）；Southern University of Science and Technology（南方科技大学）
针对含噪数据的工业异常检测难题，提出基于记忆库的SoftPatch和SoftPatch+方法，通过补丁级去噪柔化检测边界，在多基准上优于现有方法，鲁棒性适配高噪场景。
2025-01-13 cs.CV
