周期性图案的新颖表示及其在无训练异常检测中的应用

基于坐标的MLP神经网络用于单个图像优化，处理全局一致性和本地变化，证明了其在多种场景中的有效性。

提出了一种自动化处理过程，用于检测工业纺织品中的瑕疵，实现了快速而精确的异常检测。

基于补丁自编码器的颜色图像异常检测方法，通过比较不同方法的性能，评估了其在工业图像数据库上的效果。

两阶段策略异常检测方法通过重建输入图像两次来识别异常补丁，系统评估了影响模型性能的关键参数。

以知识蒸馏为基础的方法针对无监督异常检测挑战，展示了在多个纹理数据集上的性能和推理速度。

新的领域概括方法能够在稀疏正常数据下训练异常检测模型，并在未见过的对象上检测异常，SEMLP取得了最佳性能。

全球和本地异常共综合策略（GLASS）通过合成接近于分布内的异常，取得了最先进的结果，验证了在工业应用中的有效性。

提出的少量样本多类别异常检测框架AnomalySD在异常分类和分割方面显示出显著优势。

双相互关联扩散模型DualAnoDiff有效提升了生成图像的多样性与真实感，显著提高了异常检测任务的性能。