Tag · 7 篇

无监督异常检测

分布鲁棒性与安全6目标检测与定位1

RAID: Retrieval-Augmented Anomaly Detection

把 RAG 的「检索样本直接参与生成」思路搬到异常图生成上：用分层向量库检索类/语义/实例级正常模板，再用匹配代价体与引导式 MoE 抑制匹配噪声，可作为工业缺陷检测与少样本异常定位的可复用范式。

Multi-Prototype Compactness and Boundary-Aware Synthesis for Unsupervised Anomaly Detection

用多原型混合建模正常特征分布、并在簇间拓扑边界处合成伪异常来收紧决策面，这套「原型聚类+边界合成」思路可直接迁移到工业缺陷检测与开放集异常定位任务中，替代单超球假设。

LayoutAD: Exploring Semantic-Geometric Misalignment Reasoning for Scene Layout Anomaly Detection

把「布局异常」形式化为对象级语义图与几何图的错位推理，可复用于检测文生图模型的幻觉与关系错误，也可作为视频异常检测与自校正生成的即插即用判别器。

InvAD: Inversion-based Reconstruction-Free Anomaly Detection with Diffusion Models

把扩散模型的 DDIM 反演当作无需重建的异常打分器：只需少量反演步把测试图加噪到潜变量，再用已知先验分布度量偏离度，可直接替换重建式 AD 中昂贵的多步去噪流程，兼顾精度与约两倍推理加速。

Dual-Prototype-Guided Multi-task Learning for Unsupervised Anomaly Detection and Classification

对做工业/医学异常检测的人，这篇提供了用正常原型与类别原型做显式特征解耦、并用差分门控交互与几何正则缓解多任务梯度冲突的框架，可直接迁移到需要同时定位异常区域并判别异常类型的视觉检测系统。

Anomaly-Related Residual Fields for Cross-domain Anomaly Detection

把扩散模型反向过程的残差按时间步演化建模为「残差演化场」，用平稳性区分正常变异与异常信号，这一思路可直接迁移到任何基于重建/生成残差的视觉异常检测与OOD检测流程中，并配合跨域场对齐实现无标签目标域适配。

Anomaly as Non-Conformity via Training-Free Graph Laplacian Energy Minimization

把「查询图像块偏离正常特征流形的程度」量化为带锚定正常节点的二部图拉普拉斯能量的闭式解，异常分数取满足正常性约束所需的特征更新幅度；这一「优化诱导特征漂移」可作为免训练、无参数的异常打分算子，直接替换基于余弦相似度的记忆库检索，用于工业缺陷检测与医学异常定位。