本文提出一种基于 Vision Transformer 的无监督异常检测网络，利用分层任务学习和人类经验来增强其可解释性，可以有效解决高维空间中非线性模型拟合的问题和纹理变化对算法鲁棒性的挑战，并在公开数据集上取得了 99.8% AUC 的表现，优于现有最先进方法。

Jul, 2022

该研究提出了一种新的无监督异常检测和定位框架，通过粗到精的对齐过程从正常图像中学习密集和紧凑的分布，引入了称为非对比学习的新预文本任务，并在真实工业数据集上取得了最新的检测效果。

Oct, 2021

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)。

Oct, 2021

本文提出了一种人机知识混合增强方法，用于从头开始积累少量数据，并将其作为先验知识提供给模型进行少数据学习，进而在工业缺陷检测中取得了可行性和有效性的进展。

Apr, 2023

最近的无监督异常检测方法往往依赖于使用辅助数据集预先训练的特征提取器或经过精心设计的异常模拟样本，然而，这可能限制它们适应日益增多的异常检测任务的能力，因为辅助数据集的选择或异常模拟策略中存在先验条件。为了解决这个挑战，我们首先引入了一个无先验异常生成范式，随后在此基础上开发了一种名为 GRAD 的创新的无监督异常检测框架。GRAD 包括三个关键组成部分：（1）一个扩散模型（PatchDiff），通过保留局部结构而忽略正常图像中存在的全局结构，生成对比模式；（2）一种自监督加权机制来处理 PatchDiff 生成的长尾和无标签对比模式的挑战；（3）一个轻量级的基于补丁的检测器，以有效区分正常模式和重新加权的对比模式。PatchDiff 生成的结果有效地暴露了各种类型的异常模式，例如结构和逻辑异常模式。此外，在 MVTec AD 和 MVTec LOCO 数据集上进行的大量实验证明了前述观察结果，并展示了 GRAD 在异常检测准确性和推理速度方面的竞争力。

Dec, 2023

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

该论文介绍了深度学习在计算机断层成像领域的应用，提出了一种基于三步深度学习算法的综合缺陷检测方法，包括缺陷分割、蒙版分离和缺陷分析。使用 U-Net 架构进行缺陷分割，在模拟数据上达到 92.02％的 IoU，并在 512 像素宽的探测器上实现了 1.3 像素的平均位置误差。

Jan, 2024

Defect-GAN 是一种自动缺陷合成网络，可生成逼真、多样化的缺陷样本以训练准确、健壮的缺陷检测网络，其采用一种新颖的基于细胞层的体系结构来生成具有不同纹理和外观的各种图像背景下逼真的缺陷，广泛的实验表明，Defect-GAN 能够合成各种缺陷，其生成的的缺陷样本在训练缺陷检测网络方面具有更好的效果。

Mar, 2021

本研究探讨利用深度学习技术进行视觉品质检测问题，针对工业制造中数据重复性高的情况，提出通过学习数据中的特定缺陷类型来训练检测模型，从而使其更能检测出在新情况下出现的缺陷。同时，研究对泛化的影响，以训练在更广泛的条件下工作的模型。

May, 2023

本文提出了一种新颖的自监督学习算法，通过解决著名的拼图问题来设计一个优化的编码器，以在工业产品中检测纹理和物体缺陷，实验结果表明我们的方法在广泛使用的 MVTec AD 数据集上达到了 95.8% 和 96.8% 的杰出检测和分割性能，为纹理和物体缺陷建立了最新的基准。

Nov, 2023