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

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

我们提出了情景适应性异常检测（SA2D）方法，利用少样本学习框架对预训练模型进行快速适应新概念。为了解决数据集的缺乏问题，我们引入了多情景异常检测（MSAD）数据集，包括从各种摄像机角度捕获的 14 个不同情景，背景中包含挑战性的变化。通过实验证明了 SA2D 的有效性，尤其是在 MSAD 数据集上进行训练。这突出了我们的方法在检测不同和不断发展的监控情景中的异常的挑战中的潜力。

Feb, 2024

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。

Jan, 2023

本研究提出了一种面向 SSAD 的领域自适应方法，其中没有针对目标领域的异常数据。该方法利用变分自编码器和领域对抗网络生成无域变化的潜在变量，结合加权损失函数来近似理想损失函数，旨在解决 SSAD 在适应领域迁移方面的问题。实验结果表明该方法可以成功适应目标领域中缺少异常数据的情况。

Apr, 2023

该研究提出了一个 Multi-view Adversarial Discriminator（MAD）模型，利用多视图对源域进行对抗训练，去除非因果因素并净化域不变特征，提高对象检测模型的 domain generalization 性能。

Apr, 2023

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

本文介绍了一个机器声音数据集，旨在评估领域泛化技术用于异常声音检测。该数据集名为 MIMII DG，包含五种机器类型和三个领域移位情境，并根据参数和噪声的不同值引入领域移位，试验结果表明这个数据集可以复现领域移位情境，是评估领域泛化技术的有用工具。

May, 2022

基于扩散模型的异常检测中，提出了一种适用于多类异常检测的扩散异常检测（DiAD）框架，包括像素空间自动编码器、与稳定扩散去噪网络相连的潜空间语义引导（SG）网络，以及特征空间预训练特征提取器。通过实验证明了该方法的有效性，并超过了多类 MVTec-AD 数据集上的最先进方法，即对于多类 MVTec-AD 数据集的本地化和检测，达到了 96.8/52.6 和 97.2/99.0（AUROC/AP）。

Dec, 2023

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