基于图像的缺陷检测的全卷积跨尺度流

Oct, 2021

基于图像的缺陷检测的全卷积跨尺度流

Fully Convolutional Cross-Scale-Flows for Image-based Defect Detection

Marco Rudolph, Tom Wehrbein, Bodo Rosenhahn, Bastian Wandt

TL;DR本研究提出了一种新的全卷积跨尺度归一化流模型（CS-Flow），该模型通过对不同尺度的多个特征图进行联合处理，能够对工业制造中的缺陷进行自动检测和定位，同时在基准数据集上取得了 100％的区分度（AUROC)。

Abstract

In industrial manufacturing processes, errors frequently occur at unpredictable times and in unknown manifestations. We tackle the problem of automatic defect detection without requiring any image samples of defective parts. Recent works model the distribution of defect-free image data

automatic defect detection image representation normalizing flow defect localization state-of-the-art

发现论文，激发创造

Same Same But DifferNet: 带有归一化流的半监督缺陷检测

本文提出了运用 DifferNet 结合卷积神经网络的特征提取和标准流估计来解决制造过程中产品缺陷检测难的问题，通过最终得分进行缺陷像素位置的精确定位，而且不需要大量训练样本，与目前其他方法相比在 MVTec AD 和 Magnetic Tile Defects 数据集上表现更好。

Aug, 2020

金字塔归一化流在高分辨率缺陷对比定位中的应用

提出的 PyramidFlow 方法是第一个无需预训练模型就能实现高分辨率瑕疵定位的全归一化流法，该方法利用金字塔状的归一化流进行多尺度融合和体积归一化来帮助泛化，并提出一种基于潜变量模板的瑕疵对比定位范式来降低类内方差。综合研究 MVTecAD 的研究表明，该方法表现优于不使用外部 prior 的可比算法，甚至在更具挑战性的 BTAD 场景中达到了最先进的表现。

Mar, 2023

FastFlow: 基于二维正则化流的无监督异常检测和定位

本研究提出了使用 2D 归一化流来实现概率分布估计的 FastFlow，并将其作为插件模块与 ResNet 和视觉变换器等任意深度特征提取器一起使用，以进行无监督的异常检测和定位。实验结果表明，FastFlow 在准确性和推理效率方面优于以前的状态 - of-the-art 方法，其在异常检测方面达到了 99.4％的 AUC。

Nov, 2021

具对比性本地化的强韧缺陷检测

该论文提出一种无需建模过程，通过生成对抗网络（GAN）、新提出的缩放模式损失和动态遮蔽循环次要网络等三方面联合作用直接检测缺陷模式的一阶段框架，在 MVTec AD 数据集的质地类别中表现出比现有技术更高的 F1 分数和更好的普适性。

Jun, 2023

MSFlow: 无监督异常检测的多尺度流式框架

无监督异常检测中，使用没有任何异常信息的仅限正常样本进行训练的流模型，能够有效地区分可预测和不可预测的异常数据，而针对不同大小变化的异常数据，我们提出了一种名为 MSFlow 的新型多尺度流模型框架，能够在图像级别和像素级别进行异常检测和定位，经验证在三个异常检测数据集上明显优于现有方法，并在具有挑战性的 MVTec AD 基准上达到了 99.7% 的检测 AUORC 得分、98.8% 的定位 AUCROC 得分和 97.1% 的 PRO 得分。

Aug, 2023

CAINNFlow：用于异常检测和定位任务的卷积块注意力模块和可逆神经网络流

该研究提出了一种基于 CBAM 的复杂函数模型，用于在规范化流模型中保留和有效提取空间结构信息，从而实现异常检测，并在 MVTec AD 数据集上实现了像素级 AUC 为 98.64％的卓越准确性。

Jun, 2022

利用卷积神经网络和迁移学习进行制造缺陷检测和分割

提出了一种基于掩膜区域卷积神经网络（Mask Region-based CNN）的系统，用于在 X 射线图像中识别铸造缺陷。该系统同时执行输入图像的缺陷检测和分割，并采用转移学习来减少训练数据需求并提高训练模型的预测准确性。

Aug, 2018

CL-Flow：通过对比学习加强归一化流以实现更好的异常检测

我们提出了一种自监督异常检测方法，结合对比学习和 2D-Flow，以实现更精确的检测结果和更快的推理过程。与主流的无监督方法相比，我们的方法展示了优越的检测准确度、更少的额外模型参数和更快的推理速度，整个训练和推理过程都是端到端的。

Nov, 2023

CT-3DFlow：利用三维标准流算法无监督检测病理性肺部 CT 扫描

使用 3D NF 模型 CT-3DFlow 在胸部 CT 数据中进行患者级肺部病理检测，通过无监督训练健康的 3D 肺部 CT 补丁，检测其与对数似然分布的偏差作为异常，聚合患者 CT 扫描的补丁级别似然值以提供患者级别的正常 / 异常预测，在一个单独的胸部 CT 测试数据集上通过专家注释评估了异常分布检测性能，优于其他最先进方法。

Mar, 2024

CFLOW-AD：基于条件归一化流的实时无监督异常检测及定位

本文提出了一种基于 CFLOW-AD 模型的实时无监督异常检测方法，在定位方面有着明显的优势，与之前最先进的方法相比，它具有更高的计算效率和更小的模型大小。

Jul, 2021