Jan, 2023

IM-IAD: 制造业中的工业图像异常检测基准

PDF
TL;DR在工业制造中，图片异常检测是一个重要的计算机视觉任务，已提出许多高级算法，但其性能存在差异。在本文中，我们首先提出了一个统一的工业制造设置，以评估这些算法在不同方面上的性能表现，然后构建了综合性的图片异常检测基准，该基准包括 16 种算法和 7 个数据集，并提供了深入的实验结果以及面向未来的挑战和方向。
image anomaly detectionindustrial manufacturingalgorithm evaluationbenchmarkingcomputer vision
发现论文，激发创造
  • Real-IAD: 用于评估多视角工业异常检测的现实世界数据集

    提出了一个大规模、真实世界的多视角工业异常检测数据集（Real-IAD），包含 30 种对象的 15 万张高清图片，相比现有数据集大一个数量级。该数据集具有更大范围的缺陷区域和比例，具有更高的挑战性。在提供了常用 IAD 方法在该数据集上的结果后，为推动 IAD 领域的发展提供了一个极具挑战性的基准。

    Mar, 2024

  • BMAD: 医疗异常检测基准

    本次研究针对于医学图像领域中，异常检测方法的广泛应用，建立了包含六个重新组织的数据集、三种关键指标和 14 种业内领先的 AD 算法的全面评估基准。该基准将有利于这个领域内进行公正的比较与优化，共同推进医学图像领域中异常检测算法的发展。

    Jun, 2023

  • 领域变化下的工业异常检测：一个真实世界的数据集和遮盖多尺度重构

    本文提出了 AeBAD 工业异常检测数据集，探讨了当前最优算法在检测测试集中正常样本的领域移位问题，并提出了一种名为 MMR 的新方法，通过遮蔽重构任务增强模型对正常样本中补丁之间因果关系的推断能力。该方法在 AeBAD 数据集上表现出优秀的性能。

    Apr, 2023

  • 工业过程异常检测数据集：IPAD

    基于新提出的工业场景视频异常检测数据集和方法，填补了工业视频异常检测领域的空白，推动了视频理解任务和智能工厂部署的进程。

    Apr, 2024

  • 复杂工业图像的监督异常检测

    自动化视觉检测在工业生产线上对于提高产品质量至关重要。异常检测方法是实现此目的的强大工具。此论文介绍了一种包含具有挑战性真实缺陷实例的新型实际工业数据集，并提出了一种基于分割的异常检测器，其在该数据集上表现出先进性能。

    May, 2024

  • 跨模态蒸馏在工业异常检测中的应用：高效多模态 IAD 的探索

    提出了 CMDIAD 框架用于多模态工业异常检测，并通过生成跨模态幻觉来解决缺失模态的问题，探究了以点云或 RGB 图像作为主要推理模态时的性能改善原因，为制造场景中的高效异常检测奠定了基础。

    May, 2024

  • Myriad: 應用視覺專家進行工業異常檢測之大型多模態模型

    提出了一种应用视觉专家进行工业异常检测的新型大型多模型（Myriad）模型，通过使用视觉专家的先验知识嵌入到大型语言模型中，实现了明确的异常检测和高质量的异常描述。

    Oct, 2023

  • 无监督异常检测：使用聚合的规范扩散

    我们介绍了一种名为 ANDi 的新型无监督异常检测（UAD）方法，通过聚合预测去噪步骤与基于金字塔高斯噪声训练的去噪扩散概率模型（DDPMs）中的真实反向过渡之间的差异，在多种类型的异常中展现了显著优越性。

    Dec, 2023

  • 可调和逻辑工业视觉检测的构件感知异常检测框架

    本文介绍了一种新的组件感知异常检测框架 (ComAD)，该框架利用轻量级和几乎不需要训练的无监督语义分割模型将图像分割成多个组件，并通过建模每个组件和它们之间的关系来实现可调节的和逻辑异常检测，该框架在图像级逻辑异常检测方面取得了最新的性能，并且将产品图像分成多个组件提供了一个新的视角，具有在模型定制、噪声抵抗和异常分类方面巨大的潜力。

    May, 2023

  • 朝着节约的无监督医学图像微细异常检测

    医学成像中的异常检测是一项具有挑战性的任务，可以通过无监督异常检测方法解决，该方法通过识别与正常基准模型不匹配的特征。该论文探讨了使用混合概率分布作为替代方法，以在准确性与计算需求之间取得最优化平衡，并且介绍了一个在线方法来解决大数据量下的内存使用问题，并以帕金森病患者脑部扫描的异常检测为例进行了验证。

    Sep, 2023