UofT、UBC、MIT和复旦等联合发布：扩散模型驱动的异常检测与生成全面综述

主要观点总结

该文章介绍了扩散模型（Diffusion Models, DMs）在异常检测与生成领域的应用。文章系统性地梳理了DMs在图像、视频、时间序列、表格和多模态异常检测任务中的最新进展，并提供了全面的分类体系。同时，文章还讨论了DMs面临的挑战和机遇，以及未来的发展趋势。

关键观点总结

关键观点1: 扩散模型在异常检测与生成领域的应用

文章详细介绍了扩散模型在异常检测与生成领域的最新研究进展，包括图像、视频、时间序列、表格和多模态异常检测的任务特点，以及基于扩散模型的异常检测与生成方法。

关键观点2: 扩散模型在异常检测领域的分类体系

文章首次将基于扩散模型的异常检测方法划分为基于重构、基于密度、基于分数三大评分范式，并针对不同数据模态的模型架构分类和最新进展进行了阐述。

关键观点3: 扩散模型面临的挑战和机遇

文章客观分析了扩散模型当前面临的技术瓶颈，包括计算效率、对复杂场景的适应性等问题，并展望了未来的主要研究趋势，如与大语言模型的融合、基于元学习的快速领域适应、面向实时场景的高效架构设计等。