纹理的盲定位和异常聚类

本文提出了一种名为 PatchCluster 的新方法，能够在没有已知正常数据的情况下准确检测工业对象和纹理的视觉异常。

研究综述了深度学习在无监督异常定位中的进展，包括各种概念、挑战、分类和基准数据集。

提出了一种基于图像转换的框架，在医学影像的癌变区域检测中表现优于现有无监督方法。

研究介绍了一种新的无监督异常检测和定位框架，通过粗到精的对齐过程学习正常图像的分布。

提出了一种以知识蒸馏为基础的方法，专注于织物相似纹理的无监督异常检测，展示了其在性能和推理速度上的优势。

提出了一种弱监督的异常检测系统，通过随机批处理选择机制和聚类损失块提高特征表示学习。

提出了一种利用二进制聚类方法的弱监督异常事件检测方法，在多个数据集上展示了优异的性能。

提出了一种基于 1 维 Wasserstein 距离的零样本异常定位方法，能够更精确地定位纹理中的异常区域。

研究展示了使用无监督生成式模型进行异常检测的方法在数字病理学领域的优势。

提出了一种基于 Vision Transformer 的无监督异常检测网络，取得了99.8%的AUC表现，优于现有方法。