盲动态特征聚类下的异常检测

Jul, 2023

That's BAD: Blind Anomaly Detection by Implicit Local Feature Clustering

Jie Zhang, Masanori Suganuma, Takayuki Okatani

TL;DR本文主要研究工业对象 / 纹理的视觉异常检测，提出了一种名为 PatchCluster 的新方法，能够准确检测图像和像素级别的异常情况，无需已知正常数据并且在性能上与需要已知正常数据的一类设置中的最先进方法相当。

Abstract

Recent studies on visual anomaly detection (AD) of industrial objects/textures have achieved quite good performance. They consider an unsupervised setting, specifically the one-class setting, in which we assume the availability of a set of normal (\textit{i.e.}, anomaly-free) images fo

visual anomaly detection unsupervised ad blind anomaly detection patchcluster pixel-level anomalies

发现论文，激发创造

纹理的盲定位和异常聚类

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

深度异常检测中的假设重新思考

本研究探讨异常检测在图像领域的深度学习方法，通过在 ImageNet 数据集上与现有深度学习算法和少量随机自然图像进行比较，发现多尺度图像数据的结构特点可以提高异常样本的识别效果。

May, 2020

SoftPatch：无监督的带噪数据异常检测

本文首次考虑图像感应异常检测中的标签级噪声问题，提出了一种基于记忆的无监督异常检测方法 SoftPatch，该方法能够有效地去噪，并在补丁级别上生成异常分数以软化异常检测边界，在各种噪声场景下，SoftPatch 在 MVTecAD 和 BTAD 基准测试上表现优于现有方法，在无噪声设置下与其他方法效果相当。

Mar, 2024

自适应视角合成下的多目标场景不变视角像素异常检测

使用一种名为 OmniAD 的新型网络，通过改进逆向蒸馏的异常检测方法，提高了像素级异常检测性能，同时借助新的数据增强策略，即视图综合和相机定位，提高了对未完美对齐图像的泛化能力。通过在多对象数据集 ToyCity 和单对象数据集 MAD 上进行定性和定量结果验证，验证了这种方法的有效性。

Jun, 2024

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

暴露离群值：从少、一个、零个异常值图像中学到什么

本论文利用大量的随机图像来代表异常性，通过一些经过改进的学习方法、标准分类器和一类半监督的方法进行训练，发现无论何时在已有数据的基础上添加一个训练异常样本能够达到很不错的结果（在 ImageNet 基准测试下的 AUC 值可以达到 79.3%），并表明一类方法对于训练异常样本的选择更加鲁棒，与标准分类器相比具有优势，并且在使用 CLIP 表示学习时，零样本的情况下可以实现 ImageNet 上的最新异常检测结果。

May, 2022

多层次显著性引导的自监督学习在图像异常检测中的应用

本研究提出了一种利用显著性引导来增强语义线索进行图像数据异常检测的方法，并通过交换像素对的位置生成逼真的负样本，以提供高质量特征学习的性能。

Nov, 2023

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

奇异值：与邻居比较进行异常检测

本文介绍了一个新颖的异常检测问题，着重识别场景中与其他实例相比显得 “奇怪” 的对象。我们提出了两个基准测试，ToysAD-8K 和 PartsAD-15K，并通过生成每个实例的 3D 物体中心表示以及实例间的交叉验证来检测异常实例。我们对提出的基准测试中的方法进行了定量和定性的严格分析。

Jun, 2024

PUAD: 强大异常检测的令人沮丧地简单方法

开发准确快速的异常检测模型是实时计算机视觉应用中的重要任务，本研究关注使用基于特征空间的越界检测方法来检测逻辑异常并在 MVTec LOCO AD 数据集上取得了最先进的性能。

Feb, 2024