使用特征对应分析的高保真零样本纹理异常定位
本文介绍了用于工业视觉检测的一个方案,该方案使用 CLIP 模型和多个存储器来实现无标准参考图像的零射和少射跟踪,从而实现对大量产品类型的快速自适应,并在 VAND 2023 挑战赛中获得了一等奖。
May, 2023
零样本异常检测 (ZSAD) 方法通过无需已知目标项类别内的任何正常或异常样本来直接检测异常。我们提出了一种名为 FiLo 的新颖 ZSAD 方法,它包括两个组件:自适应学习的细粒度描述 (FG-Des) 和位置增强的高质量定位 (HQ-Loc)。FG-Des 利用大型语言模型 (LLMs) 引入了每个类别的细粒度异常描述,并使用自适应学习的文本模板来提高异常检测的准确性和可解释性。HQ-Loc 利用 Grounding DINO 进行初步定位,采用位置增强的文本提示和多尺度多形状跨模态交互 (MMCI) 模块,促进了不同尺寸和形状的异常的更精确定位。在 MVTec 和 VisA 等数据集上的实验结果表明,FiLo 在检测和定位方面显著改善了 ZSAD 的性能,在 VisA 数据集上实现了 83.9% 的图像级 AUC 和 95.9% 的像素级 AUC。
Apr, 2024
我们提出了一种新的方法来在纹理图像中盲目聚类异常,通过高精度地识别异常区域并使用对比学习增加不同异常类型的可分离性和降低类内变异,我们的实验表明所提出的解决方案相比以往工作有了显著的改进,树立了新的技术水平。
Apr, 2024
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
这篇论文探讨了工业多模态异常检测任务,利用点云和 RGB 图像来定位异常。我们介绍了一种新颖且快速的框架,它学习将一个模态中的特征映射到另一个模态的正常样本上。在测试时,通过定位观察到的特征和映射特征之间的不一致性来检测异常。大量实验证明,我们的方法在 MVTec 3D-AD 数据集的标准和少样本设置中实现了最先进的检测和分割性能,同时实现了更快的推理速度和更低的内存占用,优于先前的多模态异常检测方法。此外,我们提出一种层裁剪技术,在性能上略有损失的同时提高了内存和时间效率。
Dec, 2023
使用预训练的基础模型进行零样本异常分割是一种有前途的方法,它可以在不需要昂贵的领域特定训练或微调的情况下实现有效的算法。我们通过扰动测试数据使用三种语义变换(有界角度旋转、有界饱和度变化和色调变化)来研究 WinCLIP [14] 零样本异常分割算法的性能。通过在每个样本的最坏情况扰动中进行聚合,我们经验性地测量了一个较低的性能下界,并发现平均性能在 ROC 曲线下面积和区域重叠曲线下面积方面下降了最高达 20% 和 40%。我们发现,无论模型架构或学习目标如何,这三种 CLIP 主干的性能都普遍降低,这表明需要进行仔细的性能评估。
May, 2024
使用全局正则化邻域回归(GRNR)方法,无需训练数据或成本,从测试纹理图像中提取局部邻域先验和全局正常先验以进行异常检测,并在各种工业场景中验证了该方法的有效性。
Jun, 2024
提出了一个简单而强大的多尺度记忆对比框架用于零 / 少样本异常检测,在 Visual Anomaly and Novelty Detection (VAND) 竞赛中取得了零样本组第四名和少样本组第二名的显著成果。
Aug, 2023
本文介绍了我们参加 Visual Anomaly and Novelty Detection (VAND) 2023 Challenge 中的零样本检测方向的提交结果。我们在 WINCLIP 框架的基础上增强了系统的定位能力,同时整合了零样本分割模型。此外,我们还进行了前景实例分割,使模型集中在图像的相关部分,从而更好地识别小型或细微的偏差。我们的管道不需要外部数据或信息,可以直接应用于新的数据集。我们的团队 (Variance Vigilance Vanguard) 在 VAND 挑战赛的零样本检测中排名第三,样本 / 像素级别上在 VisA 数据集上实现了平均 F1-max 得分为 81.5/24.2。
Jun, 2023