Vision Language Modelを使ってZeroshotの異常検知を行うモデル．GroundingDINO，Segment Anythingで異常領域の算出，面積・顕著性・スコアによるフィルタリング，クラス依存・非依存のプロンプトでWinCLIPよりも大幅に精度向上．
擬似的に作成した異常パターンをAEによって再構成（Denoise）し，再構成前後の画像から異常パターンのセグメンテーションを行うことで異常検知を行う．最終的にはNNによるセグメンテーションによって異常度を算出するので，MSEやSSIMなどのMetricを設計する必要がない．つまり，Low Contrastな欠陥に対してもロバストであると期待される．
pretrained modelと2次元Flowによる異常検知モデル．FastFlow(2D Flow)を提案し，事前学習済みモデル（WideResnet，ViT）によって得られる特徴と扱いやすい空間に変換し，かつ局所的・大域的特徴の関係を考慮可能にした．MVTec ADのSoTAをPatchCoreぶりに更新．
事前学習異常検知モデルにおいて，効率的に正常状態を記憶するPatchCoreを提案．正常の核となるデータをメモリバンクに登録するイメージ．Topに近い特徴量を使用しないことで，ImageNetのバイアスを低減した異常検知が可能．
local featureとglobal featureをそれぞれ別のNNより抽出し，その一致度を測ることで異常度算出する教師無し異常検知の枠組み．local featureは画像内のPatchから抽出，global featureはそのPatchを使用しないようにpartial convolutionすることで抽出．
Cutoutを異常検知に適応させたCutpasteを提案．SSL型のADで初めてMVTecで高精度．画像の一部を切り貼りして疑似不良を生成し，識別器を学習するのみという非常に単純な枠組みながらPaDiMに迫る精度．
1. どんなもの？ ImageNetで事前学習済みモデルを利用した異常検知 事前学習モデルで得られる特徴Mapを用いる MVTecでSoTA 2. 先行研究
1. どんなもの？ Anomaly Detection + Domain Adaptationの枠組み 大量のドメインAのデータと少量のドメインBのデータからAD 2. 先行研究と比べてどこがすごい？
1. どんなもの？ Anomaly Detectionの枠組み EGBAD(Efficient GAN Based Anomaly Detection)の改良版 2. 先行研究と比べてどこがすごい？ EGBADでは$x$と$G(E
1. どんなもの？ Anomaly Detectionの枠組み AE系とGEOM系を組み合わせた 2. 先行研究と比べてどこがすごい？ AE系とGEOM系を組み合わせた ↑