CVPRMar, 2024

Real-IAD: 用于评估多视角工业异常检测的现实世界数据集

PDF
TL;DR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。
发现论文，激发创造
  • IM-IAD: 制造业中的工业图像异常检测基准

    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

  • 领域变化下的工业异常检测：一个真实世界的数据集和遮盖多尺度重构

    本文提出了 AeBAD 工业异常检测数据集，探讨了当前最优算法在检测测试集中正常样本的领域移位问题，并提出了一种名为 MMR 的新方法，通过遮蔽重构任务增强模型对正常样本中补丁之间因果关系的推断能力。该方法在 AeBAD 数据集上表现出优秀的性能。

    Apr, 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

  • 工业过程异常检测数据集：IPAD

    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

  • 提升异常检测：一种自适应模型和新数据集

    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

  • 基于图像点云融合的异常检测：以 PD-REAL 数据集为例

    通过使用 Play-Doh 模型和 RealSense 相机，我们提出了 PD-REAL 数据集，用于在 3D 领域进行无监督异常检测研究，该数据集在分析 3D 信息的有益作用时展示了显著的节约成本、易扩展性和易于控制变量的优势。

    Nov, 2023

  • Myriad: 應用視覺專家進行工業異常檢測之大型多模態模型

    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

  • Real3D-AD: 点云异常检测数据集

    高精度点云异常检测，Real3D-AD 数据集，3D 异常检测数据集，Reg3D-AD，基于配准的 3D 异常检测方法

    Sep, 2023

  • RAD: 基于图像异常检测鲁棒性的全面数据集

    该研究介绍了一个具有自由视角、不均匀光照和模糊数据集的鲁棒异常检测（RAD）。RAD 旨在通过模拟真实世界的检查场景，重现各种成因的图像噪声，例如视角变化、不均匀光照和模糊效果，以识别工作平台上的异物。在 RAD 上评估和分析了 11 种最先进的无监督和零样本方法。研究结果表明：1）视角、光照和模糊度的变化以不同程度影响异常检测方法；2）依赖于存储器库并辅助合成异常的方法具有更强的鲁棒性；3）有效利用基础模型的通用知识是提高异常检测方法鲁棒性的一个有前途的途径。

    Jun, 2024

  • 学习特征反演用于通用型 COCO-AD 基准下的多类异常检测

    构建了一个大规模通用的 COCO-AD 数据集，提出了一些实用的基于阈值的 AD 特定度量标准，并通过提出的 InvAD 框架改进了基于重构的方法在多类无监督设置下的有效性。

    Apr, 2024