本文提出了一种名为PatchCore的方法，它使用最具代表性的内存库来实现商标标准化的图像检测和本地化。PatchCore在MVTec AD挑战赛中实现了高达99.6％的图像级异常检测AUROC分数，并在其他两个数据集中取得了竞争性结果。

Jun, 2021

我们研究了基于补丁自编码器的颜色图像异常检测方法，通过比较三种基于错误、潜在空间中正常图像分布的支持估计，以及原始图像和重建图像的恢复版本之间的错误的性能，我们将这些方法与两种竞争性的最新方法在工业图像数据库MVTecAD上进行评估比较。

Jul, 2023

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

本文探讨了高质量的可视特征是否足以与现有的最先进的视觉语言模型竞争，并通过将DINOv2适应于一次性和少量次数的异常检测来证实这一点，重点放在工业应用上。我们表明这种方法不仅能与现有技术竞争，而且在许多情况下甚至能胜过它们。我们提出的仅视觉方法AnomalyDINO基于补丁相似性，能够实现图像级别的异常预测和像素级的异常分割。该方法在方法论上简单且无需训练，因此无需额外的数据进行微调或元学习。尽管简单，但AnomalyDINO在一次性和少量次数的异常检测方面取得了最先进的成果（例如，将MVTec-AD上的一次性性能从93.1％的AUROC提升至96.6％）。降低的开销以及出色的少量次数性能使AnomalyDINO成为快速部署的有力候选，例如在工业环境中。

May, 2024

在工业质量检验中，检测异常数据是一个持久存在的障碍。本文介绍了一种新的领域概括方法，能够训练带有稀疏正常数据的异常检测模型，并能够在之前未见过的对象上检测相同类型的异常。通过生成新的数据集，改进了现有的MVTec AD数据集，并使用两种基于嵌入的方法 SEMLP 和 Labeled PatchCore 进行了设计。整体上，SEMLP取得了最佳的性能表现，图像级平均AUROC为87.2%。这些新的数据集可以为改进工业异常检测的进一步研究提供基础。

Jul, 2024

本研究解决了工业制造中异常检测面临的正常数据稀缺问题，传统方法通常需要大量正常数据进行训练。我们提出了一种基于稳定扩散（SD）模型的少量样本多类别异常检测框架AnomalySD，通过设计层次化文本描述和前景掩蔽机制来优化模型，在MVTec-AD和VisA数据集上的实验结果显示，该方法在异常分类和分割方面具有显著优势，分别达到了93.6%和94.8%的AUROC。

Aug, 2024

本研究解决了工业制造中异常检查中异常数据稀缺的问题，通过提出一种新颖的双相互关联扩散模型DualAnoDiff，同时生成整体图像及其相应的异常部分。该模型在少样本异常图像生成中有效提升了生成图像的多样性与真实感，显著提高了下游异常检测任务的性能。

Aug, 2024

本研究针对工业制造中异常检查受限于异常数据稀缺的问题，提出了一种新颖的方法DualAnoDiff，通过双重相互关联的扩散模型生成多样化和真实的异常图像。我们的模型显著提升了下游异常检测任务的性能，包括异常检测、异常定位和异常分类。

Aug, 2024

本研究解决了制造业中自动图像异常检测的挑战，尤其是在可用正常样本极少或没有的情况下。提出的FADE引擎利用优化后的CLIP模型，通过多尺度图像补丁嵌入和自动生成与工业异常检测相关的文本提示，显著提升了零样本和少样本情况下的异常检测效果。实验结果显示，FADE在MVTec-AD和VisA数据集上在异常分割中表现优于现有的最先进方法。

Aug, 2024

本研究针对工业制造中异常检测面临的数据差异问题，提出了Texture-AD基准数据集，以评估无监督异常检测算法在真实应用中的有效性。该数据集涵盖多种材料和实际生产过程中出现的多种缺陷，推动了工业缺陷检测算法的评估与发展。

Sep, 2024