Diversity-Measurable Anomaly Detection         基于重建的异常检测模型通过抑制异常的泛化能力来迭代学习。然而，由于这种抑制，不同的正常模式的重建效果也会变得不理想。为了解决这个问题，本文提出了一种称为多样性可测量异常检测（DMAD）框架，旨在能够增强重建多样性的同时拥有抑制异常泛化的能力。作者评估了模型在视频监控和工业缺陷检测场景中的效果。为了在后一

论文：Learning Efficient GANs using Differentiable Masks and co-Attention Distillation   代码：DMAD   最近在做毕设，翻GitHub时看到原作者的repo，就尝试拿来跑一下自己的数据。结果一上来就报错（除了一些通用性比较高的repo外，很多都会遇到这种问题），解决了半天的环境问题，遇到下面这个错

来源：投稿 作者：橡皮 编辑：学姐 [Paper] https://arxiv.org/pdf/2303.05047.pdf [Code] https://github.com/FlappyPeggy/DMAD 0.背景： 视觉异常检测是计算机视觉领域的一个基础和重要问题，在视频监控和工业检测中有着广泛的应用。它的目的是从可见类中检测异常值，从看不见类中检测新模式。这