CVPR anomaly detection异常检测 论文汇总

(Unsupervised Anomaly Detection)无监督异常检测领域最新研究进展 - Part 3 基于嵌入的方法

文章目录前言1. 基于Deep SVDD1.1 Deep SVDD2. 基于SPADE2.1 SPADE (CVPR2021) 前言 异常检测领域中，基于嵌入的方法指的是：将图像送入模型，提取特征，并在对应的特征空间中学习分界面。与重构方法的主要不同在于，其不在RGB图像空间而是在高维的特征空间中进行异常检测；与自监督的方法不同，不过于依赖额外的负样本的构造 / 代理任务的设计，主要考虑的特征空间中的差异。 1. 基于Deep SVDD 1.1 Deep SVDD 2. 基于SPADE 2.1 SPADE

无监督异常检测论文集

无监督异常检测论文集，可用于未来智能工厂预测性分析。

CVPR20 (AD) - Uninformed Students: Student–Teacher Anomaly Detection

Uninformed students: Student-teacher anomaly detection with discriminative latent embeddings 论文分析

7篇异常检测最新论文解析（附20+篇高引经典）

异常检测作为机器学习中的一个非常重要的子分支，目前已经广泛应用于计算机视觉、数据挖掘、NLP等方向。近年来，随着大数据的不断发展，我们对数据处理效率的要求越来越高，人工早已比不上机器，这时候，及时检测数据中的异常问题并加以解决，就成为了不可忽视的重点。这也是为什么异常检测仍是热门研究方向的原因之一。老规矩下载打包好了，看文末直接领取。

时间序列异常检测14篇顶会论文合集，附必备工具和数据集

时间序列异常检测是一种在时间序列数据中识别和标识与预期模式、趋势或行为不符的异常点或事件的技术。鉴于它如此广泛的应用范围，不难看出时序异常检测也是当前数据科学和机器学习领域的一个热门研究方向。在最近几年中，时序异常检测的发展非常活跃，例如Transformers在时间序列预测中的兴起，以及时间序列嵌入方法的进步，这些都为异常检测和分类方面带来了新的突破。我这次也帮大家整理了今年最新以及一些非常经典的时序异常检测论文，另外还有时序异常检测必备的工具和数据集，需要的同学看文末。

CVPR 2023 名字里带Anomaly Detection的论文合集

CVPR 2023 异常检测合集

异常检测阅读笔记《Inpainting Transformer for Anomaly Detection》CVPR 2021

异常检测阅读笔记《Inpainting Transformer for Anomaly Detection》 CVPR 2021 来源：2021年的CVPR，原文论链接： 论文的方向是图像方面的异常检测，本质上还是重构之后与原图像对比来得出异常的归类于基于重构的（ reconstruct）研究方法。 首先整体概括： 作者基于之前的研究《Reconstruction by inpainting for visual anomaly detection 》，首先将主要重构的方法选定为 inpainting，这是

异常检测相关论文阅读《Multiresolution Knowledge Distillation for Anomaly Detection》

异常检测相关论文阅读**《Multiresolution Knowledge Distillation for Anomaly Detection》** 这是一篇2021年的CVPR，具有一定的前沿性，追踪最新的科研论文有助有我们跟上科研前沿同时借以开拓自己的研究课题方向。 原论文链接：https://arxiv.org/pdf/2011.11108.pdf 官方给出的代码：https://github.com/Niousha12/Knowledge_Distillation_AD Abstract： 我

CVPR 2024 名字里带 Anomaly 的论文合集

CVPR 2024 名字里带 Anomaly 的论文合集:视频异常检测+二维+三维+多模态

【2025CVPR 异常检测方向】DFM: Differentiable Feature Matching for Anomaly Detection

论文摘要：本文提出可微分特征匹配框架DFM，用于解决无监督异常检测方法的三大局限：特征提取与匹配分离、静态匹配算法和无法利用异常样本。DFM通过可微分的特征匹配网络(FMN)实现端到端优化，结合两阶段训练策略优化特征提取器和匹配头。实验表明，DFM在MVTecAD和VisA数据集上持续异常检测任务达到SOTA（实例AUROC 96.9%），在1-shot设置下性能提升14.5%。核心贡献包括：首次实现特征提取与匹配的端到端联合优化、增强任务适配性以及提供实用解决方案。

【零样本异常检测CVPR2025】AA-CLIP：Enhancing Zero-Shot Anomaly Detection via Anomaly-Aware CLIP 论文解读

文章的核心在于原始的CLIP由于关注通用能力，缺乏对异常的感知，所以作者通过提升了文本分支对normal和abnormal的区分，提升了CLIP对异常的识别能力

异常检测 相关工作anomaly detection related work 汇总

会议 2024 CVPRpaperCode摘要在工业生产线中自动化视觉检测对于提高各个行业的产品质量至关重要。异常检测（AD）方法为此目的提供了强大的工具。然而，现有的公共数据集主要由没有异常的图像组成，这限制了AD方法在生产环境中的应用。为了应对这一挑战，我们提出了（1）Valeo异常数据集（VAD），这是一个包含5000张图像的新型真实世界工业数据集，其中包括2000个跨越20多个子类别的具有挑战性的真实缺陷实例。

(Unsupervised Anomaly Detection)无监督异常检测领域最新研究进展 - Part 1 基于重构的方法

文章目录前言1. 基线 AE/VAE2. 基于inpainting思想2.1 SMAI (BMVC2020)2.2 SCADN (AAAI2021)2.3 RIAD (PR2021)3. 基于Memory Bank3.1 前言 在图像异常检测中，基于重构的方法是一种很自然的思想：构建一个Encoder-Decdoer结构的网络执行重构任务，目标是让模型能够重构好正常样本。那么在测试时，对于正常样本仍然能够正常重构，而异常样本由于分布的差异，导致重构效果较差，从而可以通过像素级的比较得到异常得分，判断一个样本

(Unsupervised Anomaly Detection)无监督异常检测领域最新研究进展 - Part 0 异常检测简述

无监督异常检测领域进展研究，包括了概念介绍、常用数据集介绍、方法分类等等。

工业异常检测 Industrial Anomaly Detection

异常检测

【论文合集】Awesome Anomaly Detection

Anomaly Detection: The process of detectingdata instances that significantly deviate from the majority of the whole dataset.

【论文笔记】【视频异常检测】【CVPR2025】Anomize: Better Open Vocabulary Video Anomaly Detection

这篇论文是第二篇开放词汇视频异常检测（OVVAD）的论文。其实第一篇OVVAD的论文做的方法很简单，但是之所以能投CVPR，是因为提出了OVVAD这个任务。这篇论文没有“第一个提出”这块招牌，也就是说它得在方法上下功夫，才能中CVPR。（就是说检测不到新类）和（就是说无法把新类异常归类），这两个挑战其实也就是OVVAD的两个核心挑战。而论文的创新是引入了“文本增强的双流机制”，我会在后面解释这个机制是什么。

[论文笔记]-2024CVPR-Anomaly Heterogeneity Learning for Open-set Supervised Anomaly Detection

开放集监督异常检测（OSAD）是一个新兴的异常检测领域，旨在利用训练过程中观察到的少量异常类别样本来检测未见的异常（即来自开放集异常类别的样本），同时有效识别已见异常。借助于已见异常所体现的先验知识，当前的OSAD方法通常能显著减少假阳性错误。然而，这些方法是在封闭集环境中训练的，并将异常样本视为来自同质分布，这使得它们在泛化到任何分布的未见异常时效果较差。为了解决这个问题，本文提出了一种利用有限异常样本学习异质异常分布的方法。