本研究提出了一种不对称共识状态空间模型（ACMamba），用于高光谱图像的无监督异常检测。该模型通过使用区域级实例替代像素级样本，显著降低了计算成本，同时保持了检测精度。实验结果表明，ACMamba在速度和性能上优于现有方法。

本研究提出GradStop算法，旨在解决无监督异常检测模型因目标不一致导致的性能损失问题。该算法能够实时估计模型性能，优化异常检测效果，实验结果表明其显著提升了多种深度UOD算法的性能。

本文综述了基于深度学习的无监督异常检测方法，介绍了组件感知异常检测和改进的DifferNet等新技术，强调了注意力机制的重要性。这些方法在多个基准数据集上表现优异，具有实际应用潜力。

本研究介绍了多种无监督异常检测的创新方法，包括NDP-Net、基于知识蒸馏的检测器和AnomalousPatchCore（APC）系统。这些方法通过优化特征提取和利用正常样本，显著提高了工业异常检测的效率和准确性。同时，研究评估了多个公开数据集的有效性，为相关研究提供了参考。

本研究提出了多种基于深度学习的无监督异常检测方法，结合重构与密度计算，应用于医学影像，取得了优异的检测准确性。新框架RLR和Dinomaly在多个数据集上表现卓越，有效解决了异常样本处理问题。

本研究提出了多种基于学生-教师框架的无监督异常检测方法，涵盖2D和3D点云数据，显著提升了检测精度、运行时间和内存消耗。通过结合手工特征和预训练神经网络，异常检测性能得到了提升，并在多个数据集上取得了优异的实验结果。

本研究介绍了一种用于无监督异常检测的3D数据集，涵盖多种物品类别及瑕疵。提出的新方法和模型（如DBRN和IMRNet）显著提升了检测性能和效率。此外，研究还探讨了基于视觉线索的自动异常检测，并创建了包含180K图像的大型数据集，推动了该领域的发展。

本文介绍了几种基于自编码器的无监督异常检测方法，如CAVGA、ReContrast和FADeR。这些方法通过引入新特征损失、记忆模块和对抗学习等技术，显著提升了异常检测的准确性和性能，尤其在工业视觉和医学图像领域表现突出。

本研究介绍了一个用于无监督异常检测的综合3D数据集，涵盖多种物品类别及其瑕疵。提出了基于深度变分自编码器的异常检测框架和自我监督的迭代掩蔽重建网络，均在多个数据集上表现优异。此外，研究探讨了结合点云和RGB图像的多模态异常检测方法，提出了PointCore框架以降低计算复杂性，推动3D点云数据在制造零件表面质量检测中的应用。

本文提出了一种新颖的双学生知识蒸馏（DSKD）架构，用于无监督异常检测。该架构通过两个结构相反的学生网络和一个预训练教师网络，结合金字塔匹配和深度特征嵌入模块，显著提升了异常检测的效果和准确性。实验结果表明，DSKD在多个数据集上表现优异，改善了原生学生-教师网络的性能。

本文介绍了多种无监督异常检测（UAD）方法在医学成像中的应用，包括DISYRE、ANDi和DDAD等。这些方法通过合成异常样本和改进去噪过程，显著提升了脑部MRI图像的异常检测性能，实现了准确性与计算需求之间的优化平衡。

本研究介绍了首个综合3D数据集，用于无监督异常检测和定位。通过高分辨率传感器对10种物品进行深度扫描，提供了包含瑕疵的测试集。研究表明，3D异常检测方法仍有提升空间，并提出了多种新方法，显示出良好的应用前景。

本文提出了一种基于速率失真优化的自编码器，旨在解决深度生成模型在概率分布重现方面的局限性。该方法在无监督异常检测中表现优异，超越了现有技术。同时，研究探讨了群不变和群等变表示学习，提出了通用学习策略，并在不同网络架构下验证了其有效性。

该研究综述了Mamba模型在计算机视觉中的应用，包括无监督异常检测、图像融合和视频理解等任务。Mamba通过引入局部增强模块和状态空间模型，在多个数据集上展现了优越性能，证明了其在视觉识别中的有效性和潜力。

本文介绍了一种基于时间序列的无监督异常检测方法WETAS，该方法通过数据增强提高鲁棒性，并利用动态时间扭曲有效识别异常时间段。实验结果表明，WETAS在定位时间异常方面优于现有技术，表现出良好的性能和计算效率。

最近的无监督异常检测方法依赖于辅助数据集或异常模拟样本，限制了适应能力。为解决此问题，提出了一种名为GRAD的无监督异常检测框架，包括扩散模型、自监督加权机制和基于补丁的检测器。实验证明了该框架在准确性和速度方面的竞争力。

提出了一种新的无监督异常检测方法FCVAE，通过集成全局和局部频率特征，提高了正常数据的重构准确性，解决了基于VAE的方法在捕捉长周期异质模式和详细短周期趋势方面的挑战。通过“目标注意力”机制，选择最有用的信息构建短周期趋势。在公开数据集和大规模云系统上评估，结果优于最先进的方法，验证了在解决当前基于VAE的异常检测模型的局限性方面的实际适用性。

该文章介绍了一种新颖的双学生知识蒸馏（DSKD）架构，用于无监督异常检测。该架构通过使用两个具有相同尺度但结构相反的学生网络和一个单一预训练的教师网络来解决原生 S-T 网络不稳定的问题。实验结果显示，DSKD 在小型模型上实现了卓越的性能，并有效改进了原生 S-T 网络。

GRAD是一种无监督异常检测框架，通过扩散模型、自监督加权机制和基于补丁的检测器提高了准确性和推理速度。它不依赖于辅助数据集或异常模拟样本，具有较强的适应能力。

ANODE是一种新型的无监督异常检测技术，使用神经密度估计来区分信号区域和旁带处的概率密度，并对局部异常的过密度进行广泛敏感。该方法在物理和其他领域的异常检测中具有广泛的适用性。