自适应视角合成下的多目标场景不变视角像素异常检测

提出了一种基于不确定性信息和重新合成图像之间差异的像素级异常检测框架，旨在提高自动驾驶系统的鲁棒性和性能。

研究了一种新的两流对象感知方法，通过图像转换任务学习正常外观和动态模式，检测异常情况。

利用元学习方法解决视频中的异常检测问题，仅使用少量帧数的数据检测未见过的场景中的异常行为，适用于实时应用。

介绍了一种包含真实缺陷实例的新型工业数据集，并提出基于分割的异常检测器，在该数据集上表现出先进性能。

提出情景适应性异常检测方法，利用少样本学习框架快速适应新概念，解决数据集缺乏问题。

提出名为PatchCluster的新方法，能够准确检测图像和像素级别的异常情况，无需已知正常数据。

提出基于弱监督对抗领域适应的方法，改善从合成数据到真实场景的语义分割性能。

提出利用显著性引导增强语义线索的图像数据异常检测方法，通过交换像素对位置生成负样本。

提出适用于多类异常检测的扩散异常检测框架，实验证明该方法有效性，超越多类MVTec-AD数据集的最先进方法。

提出新的无监督领域自适应模型，通过像素级和特征级变换解决自主驾驶中的复杂目标检测问题。