通过自适应对比学习实现通用新颖性检测

该论文提出了一种基于深度学习的概率方法，通过线性化正常数据分布和自编码网络训练来检测新数据点。

改进的变分自编码器（VAE）模型在处理高度噪声的训练数据时表现出良好的鲁棒性，并在标准基准测试中取得了最新成果。

基于对比学习的方法通过样本生成分布的平移增广提高了新颖性检测的准确性，并在多种场景和数据集上表现出色。

新型自编码器方法使用Mask Module生成最优遮罩，通过两个竞争网络优化输入遮罩，效果优于传统方法。

提出了一种基于重构的方法，结合实际数据和生成样本，显著提高了计算机视觉中新奇样本的检测性能。

针对深度神经网络在检测新颖性时的脆弱性，提出了一种学习强大先验的方法，结合先进的新颖性检测技术，取得了良好效果。

新方法通过线性搜索和样本交叉验证选择门槛值，自动适应性地检测新颖性，提高了多个数据集的准确率。

利用预训练嵌入和多环境设置，基于环境焦点对特征进行排名，消除虚假相关性，提高了新颖性检测的总体性能。

提出的Stylist方法通过去除环境偏差特征，改进了新颖性检测算法，能够检测与任务相关的语义变化。

Projection Regret (PR)方法通过比较测试图像与基于扩散模型的投影之间的感知距离，有效检测异常，优于现有技术。