摘要：本文提出TailedCore，一种针对无监督长尾噪声异常检测的创新框架。针对现有方法在噪声敏感、类别分布处理不足及特征混淆等问题，该框架通过TailSampler模块精准估计类别基数（准确率>99%），结合肘部法自动确定尾部类规模，并构建融合去噪与尾部增强的双记忆库。实验表明，TailedCore在MVTecAD上实现96.1%的图像级AUROC，超越SOTA 3.7个百分点，参数量仅

本文提出TrackAnyAnomalousObject（TAO），一个无监督视频异常检测框架，通过像素级跟踪机制实现精细定位。TAO融合实例分割技术，采用SAM2模型进行零样本异常分割，无需额外微调即可实时处理。系统包含异常框提取、鲁棒性过滤和提示驱动分割三个模块，在UCSDPed2数据集上Pixel-AUROC达75.11%，超越现有方法6.5%。实验表明TAO参数量减少90%，推理速度提升两倍

本文提出一种基于RGB误差引导的无监督视频异常检测方法，通过多尺度预测编码和动态记忆模块解决现有技术面临的三大挑战。核心创新包括：1）融合RGB误差空间预测与动态记忆重建的双任务框架，有效抑制背景噪声干扰；2）设计多尺度预测编码架构增强前景特征提取；3）动态记忆模块支持训练/测试双阶段更新，提升模型泛化能力。在四个基准数据集上实现SOTA性能，其中ShanghaiTech数据集AUROC达86.0

本文提出MANTA数据集，针对微小物体无监督异常检测面临的三大挑战：单视角成像局限、缺乏语义引导和异构样本处理困难。该数据集包含137K多视角图像，创新性地引入声明性知识和建构主义学习两类文本组件，通过BLIP-2模型实现79.3%的AUROC，较现有方法提升3.6%。核心贡献包括：构建首个大规模多视图视觉-文本数据集，设计互补文本子集支持细粒度推理，提出基于LoRA微调的视觉-语言基线模型。实验

本文提出DeCo-Diff模型，针对无监督多类异常检测中的核心挑战进行创新改进。通过偏差校正机制突破传统OCC假设限制，结合随机掩码策略实现异常区域选择性修正，并设计多尺度差异融合定位模块提升检测精度。实验表明，该方法在MVTec-AD和VisA数据集上均取得显著提升，像素级AUROC达98.4%，超越现有最优方法14.1个百分点。该研究为工业检测等领域提供了一种高效稳定的异常检测新范式。

本文提出Latent Anomaly Schrödinger Bridge (LASB)框架，用于无监督异常检测与定位。该模型首次将线性薛定谔桥应用于潜在空间，实现异常到正常的平滑映射。相比现有方法，LASB在保留结构细节、提升定位精度方面表现突出，在MVTec-AD和VisA数据集上分别达到99.2%和98.6%的AUROC值。关键创新包括：1)无需辅助网络实现异常转换；2)潜在空间操作提升效率